Реферат Прогнозирование 2
Работа добавлена на сайт bukvasha.net: 2015-10-28Поможем написать учебную работу
Если у вас возникли сложности с курсовой, контрольной, дипломной, рефератом, отчетом по практике, научно-исследовательской и любой другой работой - мы готовы помочь.
Предоплата всего
от 25%
Подписываем
договор
Содержание:
1. Введение.
2. Методы прогнозирования, основанные на сглаживании, экспоненциальном сглаживании и скользящем среднем
o "Наивные" модели прогнозирования
o Средние и скользящие средние
o Методы Хольта и Брауна
o Метод Винтерса
3. Регрессионные методы прогнозирования
4. Декомпозиция временных рядов
5. Методы Бокса-Дженкинса (ARIMA)
o Авторегрессионные модели AR(p)
o Модели скользящего среднего MA(q)
o Метод с авторегрессией и скользящим средним ARMA(p,q)
o Метод ARIMA(p,r,q)
o Сезонное расширение ARIMA(p,r,q)(P,R,Q)
6. Нейросетевые модели бизнес-прогнозирования
o Использование многослойных персептронов
7. Использование нейронных сетей с общей регрессией GRNN и GRNN-GA
В основе большинства прогнозов лежат четыре основных метода прогнозирования
1. Суждения и оценки
2. Количественные методы
3. Экстраполяция статистических тенденций
4. Поиск зависимости между двумя или более статистическими переменными
Содержание:
8. Введение.
9. Методы прогнозирования, основанные на сглаживании, экспоненциальном сглаживании и скользящем среднем
o "Наивные" модели прогнозирования
o Средние и скользящие средние
o Методы Хольта и Брауна
o Метод Винтерса
10. Регрессионные методы прогнозирования
11. Декомпозиция временных рядов
12. Методы Бокса-Дженкинса (ARIMA)
o Авторегрессионные модели AR(p)
o Модели скользящего среднего MA(q)
o Метод с авторегрессией и скользящим средним ARMA(p,q)
o Метод ARIMA(p,r,q)
o Сезонное расширение ARIMA(p,r,q)(P,R,Q)
13. Нейросетевые модели бизнес-прогнозирования
o Использование многослойных персептронов
14. Использование нейронных сетей с общей регрессией GRNN и GRNN-GA
В основе большинства прогнозов лежат четыре основных метода прогнозирования
1. Суждения и оценки
2. Количественные методы
3. Экстраполяция статистических тенденций
4. Поиск зависимости между двумя или более статистическими переменными
1. Методы прогнозирования, основанные на суждениях и оценках
Суть этих методов сводится к опросу мнений людей по следующим четырем методикам:
- опрос мнений торгового персонала
- анализ мнений менеджеров
- дельфийская методика
- сценарии.
Первые две не требуют пояснений, они состоят в опросе мнений продавцов и/или отдельных менеджеров о тенденциях развития ситуации. Дельфийской методике и сценариям следует уделить большее внимание.
Дельфийская методика
Согласно дельфийской методике, собираются мнения экспертов о будущем, например о будущем объеме рынка. Эксперты не общаются между собой и поэтому не могут влиять на мнение друг друга. Когда все мнения собраны, они сравниваются и без указания авторства распространяются среди участников опроса. На этой стадии почти наверняка будут существовать различия между мнениями отдельных экспертов. Затем экспертов, располагающих данными о прогнозах, сделанными другими участниками, просят скорректировать свои прежние прогнозы и представить новые варианты. Этот процесс продолжается до тех пор, пока вариации в прогнозах не станут приемлемыми для выработки общего согласованного прогноза.
Преимущества методики
Позволяет анализировать широкий круг вопросов, влияющих на прогноз, и является объективным в том смысле, что эксперты независимы в своих суждениях.
Недостатки методики
Привлечение экспертов обычно обходится дорого.
Сам процесс требует много времени.
Методика плохо работает с неколичественными показателями, такими, как отношения людей и их мнения.
Сценарии
Сценарий - это определенная картина из объединенных прогнозов, моментальный снимок связей между ними, сделанный в определенный момент времени. Обычно в ходе прогнозирования рассматриваются три альтернативы, что позволяет оценить различные варианты развития событий, полученные на основе разных предположений относительно ключевых событий. Значение прогнозирования с помощью сценариев существенно возросло с начала 70-х годов. Нефтяные кризисы, имевшие место в 1973—1974 гг. и в
2. Прогнозирование с помощью количественных методов
Исследование рынка
Это исследование включает в себя выяснение точек зрения существующих и потенциальных потребителей с целью построения картины будущего рыночного спроса на основе изучения их мнений. Это метод активного сбора мнений людей, покупающих или желающих купить определенный товар.
Преимущества
Кроме количественных показателей метод позволяет получить также и качественные показатели, такие как, например, изменение отношения людей к товару и их мнения о нем. Однако здесь существует ограничение: выясняется лишь то, что люди чувствуют сегодня, а не в будущем.
Недостатки
Главным недостатком метода являются большие затраты. Исследование рынка — один из наиболее дорогих методов прогнозирования для отдельной организации, хотя эти расходы могут быть снижены, если опрос - проводится либо торговой организацией, такой, например, как Общество автомобильных производителей и торговцев Великобритании, либо профессиональными: организациями, специализирующимися на анализе рынка для всей отрасли. В России действуют организации, которые специализировались на анализе рынков еще в советское время — это Всероссийский научно-исследовательский институт конъюнктурной информации, а также отраслевые институты информации. Подготовка исследовательских отчетов может стоить от нескольких сотен до нескольких тысяч долларов. Ограниченное число экземпляров обычно означает большую стоимость, но возможно и больший объем информации, особенно важной для Вашей организации.
Другим недостатком метода является то, что требуется тщательная формулировка задаваемых вопросов, чтобы не было какой-либо "наводки" на определенный ответ. Люди могут давать ответы, которые, по их мнению, Вы хотели бы услышать, или такие, которые связаны с наименьшими неудобствами для них. Эффективность некоторых из подобных методов прогнозирования совсем недавно была поставлена под сомнение в связи с выяснением мнения по поводу выборов. Расхождение между результатами выборов и результатами предварительных исследований заставило усомниться в пользе подобных прогнозов.
3. Экстраполяция статистических тенденций
Третий метод прогнозирования - экстраполяция статистических тенденций. Существует две разновидности такого метода:
- экстраполяция временных рядов
- определение скользящего среднего
Экстраполяция - это, проще говоря, продление тенденции. Есть два основных вида экстраполяции. Первый вид - линейная экстраполяция. Второй вид экстраполяции - криволинейная экстраполяция, т. е. продление тенденции по кривой. Это - криволинейная модификация линейной экстраполяции.
Существует множество статистических пакетов компьютерных программ, с помощью которых проводят экстраполяцию на основании имеющихся данных.
Прогнозирование с помощью скользящего среднего
По своей сути прогнозирование с помощью скользящего среднего есть осреднение подъемов и спадов сезонных колебаний, продленное в будущее. Цель экстраполяции - сглаживание колебаний. Рассмотрим пример. Кривая инфляции изменяется от месяца к месяцу, поэтому единственный путь выявить тенденцию - это сгладить колебания путем осреднения. После получения данных по каждому очередному месяцу они осредняются, скажем, по последним трем месяцам для получения скользящего среднего на четырехмесячный период.
S-кривая
S-образная форма экстраполяционной кривой применяется при прогнозах темпов замены одной технологии на другую или одного вида товара другим.
Однако метод S-кривой имеет определенные ограничения в применении. Вот одна из проблем. Хорошо известно, что данные ведут себя в форме S-кривой, но какова ее форма на самом деле: пологая или крутая? Какой процент внедрения на рынок может быть в конце концов достигнут?
4. Прогнозирование на основе взаимосвязей
Четвертая группа методов прогнозирования - прогнозирование на основе взаимосвязей. Согласно этим методам пытаются найти:
а) ассоциативную связь между двумя переменными, поведение одной из которых мы хотим спрогнозировать;
б) причинную взаимосвязь между двумя или более переменными с возможным запаздыванием по времени.
Здесь мы рассмотрим три разновидности этого метода:
- опережающие индикаторы
- корреляция и регрессия
- эконометрические модели
Опережающие индикаторы
Опережающие индикаторы представляют собой соотношение запаздывания по времени между двумя временными рядами.
Одним из наиболее точных опережающих индикаторов экономического цикла считается индекс Доу-Джонса на фондовом рынке Нью-Йорка, который безошибочно предсказывает каждый экономический подъем, начиная с конца второй мировой войны. Индекс FT-SE (Financial Times — Stock Exchange), рассчитываемый газетой "Файненшнл Тайме" совместно с Лондонской фондовой биржей в Великобритании, является аналогом индекса Доу-Джонса.
Суть опережающего индикатора может быть кратко сформулирована следующим образом:
- тенденция, предваряющая другую тенденцию
- изменение, предваряющее другое изменение.
Иными словами, тенденция изменения переменной А проявляется раньше, чем у переменной В; и аналогично, изгиб кривой А опережает изгиб кривой В.
Корреляционные и регрессионные методы
Корреляционные и регрессионные методы прогнозируют поведение переменной величины исходя из временной взаимосвязи между ней и другой переменной, которая может быть выражена в виде статистической зависимости, называемой регрессией или корреляцией (детали данных понятий нам здесь не понадобятся). Иначе говоря, эти методы дают возможность установить зависимость изменения одной переменной в случае изменения другой на определенную величину.
Эконометрические модели
Как и в других моделях, здесь формируются прогнозы путем интегрирования некоторой системы уравнений. Эти уравнения могут отражать либо основные элементы экономики в целом, либо некоторые факторы, воздействующие на некоторый показатель работы организации.
Методы прогнозирования
|
Введение
До недавнего времени (середины 80-х годов прошлого века) существовало несколько общепризнанных методов прогнозирования временных рядов:
- Эконометрические
- Регрессионные
- Методы Бокса-Дженкинса (ARIMA, ARMA)
Однако, начиная с конца 80-х годов, в научной литературе был опубликован ряд статей по нейросетевой тематике, в которых был приведен эффективный алгоритм обучения нейронных сетей и доказана возможность их использования для самого широкого круга задач.
Эти статьи возродили интерес к нейросетям в научном сообществе и последние очень скоро стали широко использоваться при исследованиях в самых разных областях науки от экспериментальной физики и химии до экономики.
Кстати, некоторые сотрудники компании "Нейропроект" начали заниматься нейронными сетями именно в то время, используя их для обработки результатов физических экспериментов.
Отчасти из-за относительной сложности и недетерминированности нейронных сетей и генетических алгоритмов, эти технологии не сразу вышли за рамки чисто научного применения. Тем не менее, с течением времени уровень доверия к новым технологиям повышался и со стороны бизнеса. С начала 90-х годов начали регулярно появляться сообщения об установках нейросетевых систем в разных компаниях, банках, корпоративных институтах. Причем сфера использования новых технологий была очень многогранной - оценка рисков, контроль технологических процессов, управлние роботами и многое другое.
Одним из самых успешных приложений нейронных сетей было прогнозирование временных рядов. Причем самым массовым было
- Прогнозирование на финансовых рынках
- Прогнозирование продаж
В настоящее время можно с уверенностью сказать, что использование нейронных сетей при прогнозировании дает ощутимое преимущество по сравнению с более простыми статистическими методами.
Методы прогнозирования, основанные на сглаживании, экспоненциальном сглаживании и скользящем среднем
"Наивные" модели прогнозирования
При создании "наивных" моделей предполагается, что некоторый последний период прогнозируемого временного ряда лучше всего описывает будущее этого прогнозируемого ряда, поэтому в этих моделях прогноз, как правило, является очень простой функцией от значений прогнозируемой переменной в недалеком прошлом.
Самой простой моделью является
Y(t+1)=Y(t),
что соответствует предположению, что "завтра будет как сегодня".
Вне всякого сомнения, от такой примитивной модели не стоит ждать большой точности. Она не только не учитывает механизмы, определяющие прогнозируемые данные (этот серьезный недостаток вообще свойственен многим статистическим методам прогнозирования), но и не защищена от случайных флуктуаций, она не учитывает сезонные колебания и тренды. Впрочем, можно строить "наивные" модели несколько по-другому
Y(t+1)=Y(t)+[Y(t)-Y(t-1)],
Y(t+1)=Y(t)*[Y(t)/Y(t-1)],
такими способами мы пытаемся приспособить модель к возможным трендам
Y(t+1)=Y(t-s),
это попытка учесть сезонные колебания
Средние и скользящие средние
Самой простой моделью, основанной на простом усреднении является
Y(t+1)=(1/(t))*[Y(t)+Y(t-1)+...+Y(1)],
и в отличии от самой простой "наивной" модели, которой соответствовал принцип "завтра будет как сегодня", этой модели соответствует принцип "завтра будет как было в среднем за последнее время". Такая модель, конечно более устойчива к флуктуациям, поскольку в ней сглаживаются случайные выбросы относительно среднего. Несмотря на это, этот метод идеологически настолько же примитивен как и "наивные" модели и ему свойственны почти те же самые недостатки.
В приведенной выше формуле предполагалось, что ряд усредняется по достаточно длительному интервалу времени. Однако как правило, значения временного ряда из недалекого прошлого лучше описывают прогноз, чем более старые значения этого же ряда. Тогда можно использовать для прогнозирования скользящее среднее
Y(t+1)=(1/(T+1))*[Y(t)+Y(t-1)+...+Y(t-T)],
Смысл его заключается в том, что модель видит только ближайшее прошлое (на T отсчетов по времени в глубину) и основываясь только на этих данных строит прогноз.
При прогнозировании довольно часто используется метод экспоненциальных средних, который постоянно адаптируется к данным за счет новых значений. Формула, описывающая эту модель записывается как
Y(t+1)=a*Y(t)+(1-a)*^Y(t),
где Y(t+1) – прогноз на следующий период времени
Y(t) – реальное значение в момент времени t
^Y(t) – прошлый прогноз на момент времени t
a – постоянная сглаживания (0<=a<=1))
В этом методе есть внутренний параметр a, который определяет зависимость прогноза от более старых данных, причем влияние данных на прогноз экспоненциально убывает с "возрастом" данных. Зависимость влияния данных на прогноз при разных коэффициентах a приведена на графике.
| |
Видно, что при a->1, экспоненциальная модель стремится к самой простой "наивной" модели. При a->0, прогнозируемая величина становится равной предыдущему прогнозу.
Если производится прогнозирование с использованием модели экспоненциального сглаживания, обычно на некотором тестовом наборе строятся прогнозы при a=[0.01, 0.02, ..., 0.98, 0.99] и отслеживается, при каком a точность прогнозирования выше. Это значение a затем используется при прогнозировании в дальнейшем.
Хотя описанные выше модели ("наивные" алгоритмы, методы, основанные на средних, скользящих средних и экспоненциального сглаживания) используются при бизнес-прогнозировании в не очень сложных ситуациях, например, при прогнозировании продаж на спокойных и устоявшихся западных рынках, мы не рекомендуем использовать эти методы в задачах прогнозирования в виду явной примитивности и неадекватности моделей.
Вместе с этим хотелось бы отметить, что описанные алгоритмы вполне успешно можно использовать как сопутствующие и вспомогательные для предобработки данных в задачах прогнозирования. Например, для прогнозирования продаж в большинстве случаев необходимо проводить декомпозицию временных рядов (т.е. выделять отдельно тренд, сезонную и нерегулярную составляющие). Одним из методов выделения трендовых составляющих является использование экспоненциального сглаживания.
Методы Хольта и Брауна
В середине прошлого века Хольт предложил усовершенствованный метод экспоненциального сглаживания, впоследствии названный его именем. В предложенном алгоритме значения уровня и тренда сглаживаются с помощью экспоненциального сглаживания. Причем параметры сглаживания у них различны.
| |
Здесь первое уравнение описывает сглаженный ряд общего уровня.
Второе уравнение служит для оценки тренда.
Третье уравнение определяет прогноз на p отсчетов по времени вперед.
Постоянные сглаживания в методе Хольта идеологически играют ту же роль, что и постоянная в простом экспоненциальном сглаживании. Подбираются они, например, путем перебора по этим параметрам с каким-то шагом. Можно использовать и менее сложные в смысле количества вычислений алгоритмы. Главное, что всегда можно подобрать такую пару параметров, которая дает большую точность модели на тестовом наборе и затем использовать эту пару параметров при реальном прогнозировании.
Частным случаем метода Хольта является метод Брауна, когда a=ß.
Метод Винтерса
Хотя описанный выше метод Хольта (метод двухпараметрического экспоненциального сглаживания) и не является совсем простым (относительно "наивных" моделей и моделей, основанных на усреднении), он не позволяет учитывать сезонные колебания при прогнозировании. Говоря более аккуратно, этот метод не может их "видеть" в предыстории. Существует расширение метода Хольта до трехпараметрического экспоненциального сглаживания. Этот алгоритм называется методом Винтерса. При этом делается попытка учесть сезонные составляющие в данных. Система уравнений, описывающих метод Винтерса выглядит следующим образом:
| |
Дробь в первом уравнении служит для исключения сезонности из Y(t). После исключения сезонности алгоритм работает с "чистыми" данными, в которых нет сезонных колебаний. Появляются они уже в самом финальном прогнозе, когда "чистый" прогноз, посчитанный почти по методу Хольта умножается на сезонный коэффициент.
Регрессионные методы прогнозирования
Наряду с описанными выше методами, основанными на экспоненциальном сглаживании, уже достаточно долгое время для прогнозирования используются регрессионные алгоритмы. Коротко суть алгоритмов такого класса можно описать так.
Существует прогнозируемая переменная Y (зависимая переменная) и отобранный заранее комплект переменных, от которых она зависит - X1, X2, ..., XN (независимые переменные). Природа независимых переменных может быть различной. Например, если предположить, что Y - уровень спроса на некоторый продукт в следующем месяце, то независимыми переменными могут быть уровень спроса на этот же продукт в прошлый и позапрошлый месяцы, затраты на рекламу, уровень платежеспособности населения, экономическая обстановка, деятельность конкурентов и многое другое. Главное - уметь формализовать все внешние факторы, от которых может зависеть уровень спроса в числовую форму.
Модель множественной регрессии в общем случае описывается выражением
В более простом варианте линейной регрессионной модели зависимость зависимой переменной от независимых имеет вид:
Здесь
Для построения регрессионных моделей необходимо иметь базу данных наблюдений примерно такого вида:
| | переменные | ||||
| | независимые | зависимая | |||
| № | X1 | X2 | ... | XN | Y |
| 1 | x_11 | x_12 | ... | x_1N | Y_1 |
| 2 | x_21 | x_22 | ... | x_2N | Y_2 |
| ... | ... | ... | ... | ... | ... |
| m | x_M1 | x_M2 | ... | x_MN | Y_m |
С помощью таблицы значений прошлых наблюдений можно подобрать (например, методом наименьших квадратов) коэффициенты регрессии, настроив тем самым модель.
При работе с регрессией надо соблюдать определенную осторожность и обязательно проверить на адекватность найденные модели. Существуют разные способы такой проверки. Обязательным является статистический анализ остатков, тест Дарбина-Уотсона. Полезно, как и в случае с нейронными сетями, иметь независимый набор примеров, на которых можно проверить качество работы модели.
Методы Бокса-Дженкинса (ARIMA)
В середине 90-х годов прошлого века был разработан принципиально новый и достаточно мощный класс алгоритмов для прогнозирования временных рядов. Большую часть работы по исследованию методологии и проверке моделей была проведена двумя статистиками, Г.Е.П. Боксом (G.E.P. Box) и Г.М. Дженкинсом (G.M. Jenkins). С тех пор построение подобных моделей и получение на их основе прогнозов иногда называться методами Бокса-Дженкинса. Более подробно иерархию алгоритмов Бокса-Дженкинса мы рассмотрим чуть ниже, пока же отметим, что в это семейство входит несколько алгоритмов, самым известным и используемым из них является алгоритм ARIMA. Он встроен практически в любой специализированный пакет для прогнозирования. В классическом варианте ARIMA не используются независимые переменные. Модели опираются только на информацию, содержащуюся в предыстории прогнозируемых рядов, что ограничивает возможности алгоритма. В настоящее время в научной литературе часто упоминаются варианты моделей ARIMA, позволяющие учитывать независимые переменные. В данном учебнике мы их рассматривать не будем, ограничившись только общеизвестным классическим вариантом. В отличие от рассмотренных ранее методик прогнозирования временных рядов, в методологии ARIMA не предполагается какой-либо четкой модели для прогнозирования данной временной серии. Задается лишь общий класс моделей, описывающих временной ряд и позволяющих как-то выражать текущее значение переменной через ее предыдущие значения. Затем алгоритм, подстраивая внутренние параметры, сам выбирает наиболее подходящую модель прогнозирования. Как уже отмечалось выше, существует целая иерархия моделей Бокса-Дженкинса. Логически ее можно определить так
AR(p)+MA(q)->ARMA(p,q)->ARMA(p,q)(P,Q)->ARIMA(p,q,r)(P,Q,R)->...
AR(p) -авторегрессионая модель порядка p.
Модель имеет вид:
Y(t)=f_0+f_1*Y(t-1)+f_2*Y(t-2)+...+f_p*Y(t-p)+E(t)
где
Y(t)-зависимая переменная в момент времени t. f_0, f_1, f_2, ..., f_p - оцениваемые параметры. E(t) - ошибка от влияния переменных, которые не учитываются в данной модели. Задача заключается в том, чтобы определить f_0, f_1, f_2, ..., f_p. Их можно оценить различными способами. Правильнее всего искать их через систему уравнений Юла-Уолкера, для составления этой системы потребуется расчет значений автокорреляционной функции. Можно поступить более простым способом - посчитать их методом наименьших квадратов.
MA(q) -модель со скользящим средним порядка q.
Модель имеет вид:
Y(t)=m+e(t)-w_1*e(t-1)-w_2*e(t-2)-...-w_p*e(t-p)
Где Y(t)-зависимая переменная в момент времени t. w_0, w_1, w_2, ..., w_p - оцениваемые параметры.
Нейросетевые модели бизнес-прогнозирования
В настоящее время, на наш взгляд, самым перспективным количественным методом прогнозирования является использование нейронных сетей. Можно назвать много преимуществ нейронных сетей над остальными алгоритмами, ниже приведены два основных.
При использовании нейронных сетей легко исследовать зависимость прогнозируемой величины от независимых переменных. Например, есть предположение, что продажи на следующей неделе каким-то образом зависят от следующих параметров:
- продаж в последнюю неделю
- продаж в предпоследнюю неделю
- времени прокрутки рекламных роликов (TRP)
- количества рабочих дней
- температуры
- ...
Кроме того, продажи носят сезонный характер, имеют тренд и как-то зависят от активности конкурентов.
Хотелось бы построить систему, которая бы все это естесственным образом учитывала и строила бы краткосрочные прогнозы.
В такой постановке задачи большая часть классических методов прогнозирования будет просто несостоятельной. Можно попробовать построить систему на основе нелинейной множественной регрессии, или вариации сезонного алгоритма ARIMA, позволяющей учитывать внешние параметры, но это будут модели скорее всего малоэффективные (за счет субъективного выбора модели) и крайне негибкие.
Используя же даже самую простую нейросетевую архитектуру (персептрон с одним скрытым слоем) и базу данных (с продажами и всеми параметрами) легко получить работающую систему прогнозирования. Причем учет, или не учет системой внешних параметров будет определяться включением, или исключением соответствующего входа в нейронную сеть.
Более искушенный эксперт может с самого начала воспользоваться каким-либо алгоритмом определения важности (например, используя Нейронную сеть с общей регрессией и генетической подстройкой) и сразу определить значимость входных переменных, чтобы потом исключить из рассмотрения мало влияющие параметры.
Еще одно серьезное преимущество нейронных сетей состоит в том, что эксперт не является заложником выбора математической модели поведения временного ряда. Построение нейросетевой модели происходит адаптивно во время обучения, без участия эксперта. При этом нейронной сети предъявляются примеры из базы данных и она сама подстраивается под эти данные.
Недостатком нейронных сетей является их недетерминированность. Имеется в виду то, что после обучения имеется "черный ящик", который каким-то образом работает, но логика принятия решений нейросетью совершенно скрыта от эксперта. В принципе, существуют алгоритмы "извлечения знаний из нейронной сети", которые формализуют обученную нейронную сеть до списка логических правил, тем самым создавая на основе сети экспертную систему. К сожалению, эти алгоритмы не встраиваются в нейросетевые пакеты, к тому же наборы правил, которые генерируются такими алгоритмами достаточно объемные. Подробнее об этом можно почитать в книге А.А. Ежова, С.А. Шумского "Нейрокомпьютинг и его применения в экономике и бизнесе".
Тем не менее, для людей, умеющих работать с нейронными сетями и знающими нюансы настройки, обучения и применения, в практических задачах непрозрачность нейронных сетей не является сколь-нибудь серьезным недостатком.
Использование многослойных персептронов
Самый простой вариант применения искусственных нейронных сетей в задачах бизнес-прогнозирования - использование обычного персептрона с одним, двумя, или (в крайнем случае) тремя скрытыми слоями. При этом на входы нейронной сети обычно подается набор параметров, на основе которого (по мнению эксперта) можно успешно прогнозировать. Выходом обычно является прогноз сети на будущий момент времени.
| |
Рассмотрим пример прогнозирования продаж. На рисунке представлен график, отражающий историю продаж некого продукта по неделям. В данных явно заметна выраженная сезонность. Для простоты предположим, что никаких других нужных данных у нас нет. Тогда сеть логично строить следующим образом. Для прогнозирования на будущую неделю надо подавать данные о продажах за последние недели, а также данные о продажах в течении нескольких недель подряд год назад, чтобы сеть видела динамику продаж один сезон назад, когда эта динамика была похожа на настоящую за счет сезонности.
Если входных параметров много, крайне рекомендуется не сбрасывать их сразу в нейронную сеть, а попытаться вначале провести предобработку данных, для того чтобы понизить их размерность, или представить в правильном виде. Вообще, предобработка данных - отдельная большая тема, которой следует уделить достаточно много времени, так как это ключевой этап в работе с нейронной сетью. В большинстве практических задач по прогнозированию продаж предобработка состоит из разных частей. Вот лишь один пример.
Пусть в предыдущем примере у нас есть не только историческая база данных о продажах продукта, которые мы прогнозируем, но и данные о его рекламе на телевидении. Эти данные могут выглядеть следующим образом
| |
По оси времени отложены номера недель и рекламные индексы для каждой недели. Видно, что в шестнадцатую и семнадцатую недели рекламы не было вообще. Очевидно, что неправильно данные о рекламе подавать в сеть (если это не рекуррентная нейронная сеть) в таком виде, поскольку определяет продажи не сама реклама как таковая, а образы и впечатления в сознании покупателя, которые эта реклама создает. И такая реклама имеет продолжительное действие - даже через несколько месяцев после окончания рекламы на телевидении люди будут помнить продукт и покупать его, хотя, скорее всего, продажи будут постепенно падать. Поэтому пытаясь подавать в сеть такие данные о рекламе мы делаем неправильную постановку задачи и, как минимум, усложним сети процесс обучения.
При использовании многослойных нейронных сетей в бизнес-прогнозировании в общем и прогнозировании продаж в частности полезно также помнить о том, что нужно аккуратно делать нормировку и что для выходного нейрона лучше использовать линейную передаточную функцию. Обобщающие свойства от этого немного ухудшаются, но сеть будет намного лучше работать с данными, содержащими тренд.
Использование нейронных сетей с общей регрессией GRNN и GRNN-GA
Еще одной часто используемой нейросетевой архитектурой, используемой в бизнес-прогнозировании является нейронная сеть с общей регрессией. Несмотря на то что принцип обучения и применения таких сетей в корне отличается от обычных персептронов, внешне сеть используется таким же образом, как и обычный персептрон. Говоря другими словами, это совместимые архитектуры в том смысле, что в работающей системе прогнозирования можно заменить работающий персептрон на сеть с общей регрессией и все будет работать. Не потребуется проводить никаких дополнительных манипуляций с данными.
Если персептрон во время обучения запоминал предъявляемые примеры постепенно подстраивая свои внутренние параметры, то сети с общей регрессией запоминают примеры в буквальном смысле. Каждому примеру - отдельный нейрон в скрытом слое сети, а затем, во время применения сеть сравнивает предъявляемый пример с примерами, которые она помнит. Смотрит, на какие из них текущий пример похож и в какой степени и на основе этого сравнения выдаст ответ.
Отсюда следует первый недостаток такой архитектуры - когда база данных о продажах, или других величинах, которые мы прогнозируем велика, сеть станет слишком большой и будет медленно работать. С этим можно бороться предварительной кластеризацией базы данных.
Второй недостаток таких сетей особенно заметен в задачах бизнес прогнозирования - они совсем не способны "продлевать" тренд. Поэтому такие сети можно использовать только в случаях, когда рынок устойчивый, либо, после декомпозиции данных, тренд прогнозировать другими архитектурами нейронных сетей, или любыми классическими методами.
| | МЕТОДЫ ПРОГНОЗИРОВАНИЯ Большинство принимаемых предпринимателями решений относятся к будущим событиям, которые невозможно контролировать сегодня. Однако их оценка и предсказание необходимы для перспективного планирования бизнеса. При прогнозировании используются как накопленный опыт прошлого, так и текущие допущения относительно развития событий в будущем. Методы прогнозирования бывают количественные и качественные. Прогнозы в маркетинге различаются по срокам предсказания:
Количественные методы прогнозирования основываются на том, что тенденция развития событий в будущем связана с развитием ситуации в прошлом:
Качественные методы прогнозирования используются при недостатке исходной информации, либо сложности ее применения и основываются на мнении экспертов:
| |
Прогноз (от греч. πρόγνωσις — предвидение, предсказание) — предсказание будущего с помощью научных методов или сам результат предсказания.
Прогнозирование, разработка прогноза; в узком значении — специальное научное исследование конкретных перспектив развития какого-либо процесса.
Прогнозы делятся
- по срокам: краткосрочные, среднесрочные, долгосрочные.
- по масштабу: личные, на уровне предприятия (организации), местные, региональные, отраслевые, страновые, мировые (глобальные).
К основным методам прогнозирования относятся
- статистические методы;
- экспертные оценки (метод Дельфи);
- моделирование.
Содержание[убрать]
|
[править] Основные понятия прогностики
Прогностика — научная дисциплина, изучающая общие принципы и методы прогнозирования развития объектов любой природы, закономерности процесса разработки прогнозов. Как наука прогностика сформировалась в 70 — 80 годы ХХ столетия. Кроме понятия «прогностика», в литературе используют термин футурология.
Как любая наука прогностика имеет набор своих терминов, употребляемых для обозначения определенных понятий. Определения понятий прогностики были зафиксированы в 1978 году.
Прогноз — обоснованное суждение о возможном состоянии объекта в будущем или альтернативных путях и сроках достижения этих состояний. Прогнозирование — процесс разработки прогноза.
Этап прогнозирования — часть процесса разработки прогнозов, характеризующаяся своими задачами, методами и результатами. Деление на этапы связано со спецификой построения систематизированного описания объекта прогнозирования, сбора данных, с построением модели, верификацией прогноза.
Прием прогнозирования — одна или несколько математических или логических операций, направленных на получение конкретного результата в процессе разработки прогноза. В качестве приема могут выступать сглаживание динамического ряда, определение компетентности эксперта, вычисление средневзвешенного значения оценок экспертов и т. д.
Модель прогнозирования — модель объекта прогнозирования, исследование которой позволяет получить информацию о возможных состояниях объекта прогнозирования в будущем и (или) путях и сроках их осуществления.
Метод прогнозирования — способ исследования объекта прогнозирования, направленный на разработку прогноза. Методы прогнозирования являются основанием для методик прогнозирования.
Методика прогнозирования — совокупность специальных правил и приемов (одного или нескольких методов) разработки прогнозов.
Прогнозирующая система — система методов и средств их реализации, функционирующая в соответствии с основными принципами прогнозирования. Средствами реализации являются экспертная группа, совокупность программ и т. д. Прогнозирующие системы могут быть автоматизированными и неавтоматизированными.
Прогнозный вариант — один из прогнозов, составляющих группу возможных прогнозов.
Объект прогнозирования — процесс, система, или явление, о состоянии которого даётся прогноз.
Характеристика объекта прогнозирования — качественное или количественное отражение какого-либо свойства объекта прогнозирования.
Переменная объекта прогнозирования — количественная характеристика объекта прогнозирования, которая является или принимается за изменяемую в течение периода основания и (или) периода упреждения прогноза.
Сложность объекта прогнозирования — характеристика объекта прогнозирования, определяющая разнообразие его элементов, свойств и отношений.
Период основания прогноза — промежуток времени, за который используют информацию для разработки прогноза. Этот промежуток времени называют также периодом предыстории.
Период упреждения прогноза — промежуток времени, на который разрабатывается прогноз.
Прогнозный горизонт — максимально возможный период упреждения прогноза заданной точности.
Точность прогноза — оценка доверительного интервала прогноза для заданной вероятности его осуществления.
Достоверность прогноза — оценка вероятности осуществления прогноза для заданного доверительного интервала.
Ошибка прогноза — апостериорная величина отклонения прогноза от действительного состояния объекта.
Источник ошибки прогноза — фактор, способный привести к появлению ошибки прогноза. Различают источники регулярных и нерегулярных ошибок.
Верификация прогноза — оценка достоверности и точности или обоснованности прогноза.
Эксперт — квалифицированный специалист по конкретной проблеме, привлекаемый для вынесения оценки по поставленной задаче прогноза.
При разработке социальных прогнозов в ряде случаев производится выявление мнения представителей различных групп населения, условно приравниваемых к экспертам.
Компетентность эксперта — способность эксперта выносить на базе профессиональных знаний, интуиции и опыта достоверные суждения об объекте прогнозирования. Количественная мера компетентности эксперта называется коэффициентом компетентности.
Экспертная группа — коллектив экспертов, сформированный по определенным правилам для решения поставленной задачи прогноза. Частным случаем экспертной группы выступает экспертная комиссия.
Компетентность группы экспертов — способность экспертной группы выносить суждения об объекте прогнозирования, адекватные мнению генеральной совокупности экспертов. Компетентность экспертной группы определяется различными методиками.
Экспертная оценка — суждение эксперта или экспертной группы относительно поставленной задачи прогноза. В первом случае используется термин «индивидуальная экспертная оценка», во втором — «коллективная экспертная оценка».
[править] Статистические методы прогнозирования
Статистические методы прогнозирования — научная и учебная дисциплина, к основным задачам которой относятся разработка, изучение и применение современных математико-статистических методов прогнозирования на основе объективных данных (в том числе непараметрических методов наименьших квадратов с оцениванием точности прогноза, адаптивных методов, методов авторегрессии и др.); развитие теории и практики вероятностно-статистического моделирования экспертных методов прогнозирования, в том числе методов анализа субъективных экспертных оценок на основе статистики нечисловых данных; методов прогнозирования в условиях риска и комбинированных методов прогнозирования с использованием совместно экономико-математических и эконометрических (как математико-статистических, так и экспертных) моделей. Научной базой статистических методов прогнозирования является прикладная статистика [1] и теория принятия решений [2].
Простейшие методы восстановления используемых для прогнозирования зависимостей исходят из заданного временного ряда, т. е. функции, определённой в конечном числе точек на оси времени. Временной ряд при этом часто рассматривается в рамках той или иной вероятностной модели, вводятся другие факторы (независимые переменные), помимо времени, например, объем денежной массы. Временной ряд может быть многомерным. Основные решаемые задачи — интерполяция и экстраполяция. Метод наименьших квадратов в простейшем случае (линейная функция от одного фактора) был разработан К. Гауссом в 1794—1795 гг. Могут оказаться полезными предварительные преобразования переменных, например, логарифмирование. Наиболее часто используется метод наименьших квадратов при нескольких факторах (2—5). Метод наименьших модулей, сплайны и другие методы экстраполяции применяются реже, хотя их статистические свойства зачастую лучше.
Опыт прогнозирования индекса инфляции и стоимости потребительской корзины накоплен в Институте высоких статистических технологий и эконометрики [3]. Оказалось полезным преобразование (логарифмирование) переменной — текущего индекса инфляции. При стабильности условий точность прогнозирования оказывалась достаточно удовлетворительной — 10—15 %. Однако спрогнозированное на осень
Оценивание точности прогноза (в частности, с помощью доверительных интервалов) — необходимая часть процедуры прогнозирования. Обычно используют вероятностно-статистические модели восстановления зависимости, например, строят наилучший прогноз по методу максимального правдоподобия. Разработаны параметрические (обычно на основе модели нормальных ошибок) и непараметрические оценки точности прогноза и доверительные границы для него (на основе Центральной Предельной Теоремы теории вероятностей). Так, предложены и изучены непараметрические методы доверительного оценивания точки наложения (встречи) двух временных рядов и их применения для оценки динамики технического уровня собственной продукции и продукции конкурентов, представленной на мировом рынке. Применяются также эвристические приемы, не основанные на вероятностно-статистической теории: метод скользящих средних, метод экспоненциального сглаживания.
Многомерная регрессия, в том числе с использованием непараметрических оценок плотности распределения — основной на настоящий момент статистический аппарат прогнозирования. Нереалистическое предположение о нормальности погрешностей измерений и отклонений от линии (поверхности) регрессии использовать не обязательно; однако для отказа от предположения нормальности необходимо опереться на иной математический аппарат, основанный на многомерной Центральной Предельной Теореме теории вероятностей, технологии линеаризации и наследования сходимости [4]. Он позволяет проводить точечное и интервальное оценивание параметров, проверять значимость их отличия от 0 в непараметрической постановке, строить доверительные границы для прогноза.
Весьма важна проблема проверки адекватности модели, а также проблема отбора факторов. Априорный список факторов, оказывающих влияние на отклик, обычно весьма обширен, желательно его сократить, и крупное направление современных исследований посвящено методам отбора «информативного множества признаков». Однако эта проблема пока еще окончательно не решена. Проявляются необычные эффекты. Так, установлено, что обычно используемые оценки степени полинома имеют в асимптотике геометрическое распределение [1, 3]. Перспективны непараметрические методы оценивания плотности вероятности и их применения для восстановления регрессионной зависимости произвольного вида. Наиболее общие результаты в этой области получены с помощью подходов статистики нечисловых данных.
К современным статистическим методам прогнозирования относятся также модели авторегрессии, модель Бокса-Дженкинса, системы эконометрических уравнений, основанные как на параметрических, так и на непараметрических подходах.
Для установления возможности применения асимптотических результатов при конечных (т. н. «малых») объемах выборок полезны компьютерные статистические технологии. Они позволяют также строить различные имитационные модели. Отметим полезность методов размножения данных (бутстреп-методов). Системы прогнозирования с интенсивным использованием компьютеров объединяют различные методы прогнозирования в рамках единого автоматизированного рабочего места прогнозиста.
Прогнозирование на основе данных, имеющих нечисловую природу, в частности, прогнозирование качественных признаков основано на результатах статистики нечисловых данных. Весьма перспективными для прогнозирования представляются регрессионный анализ на основе интервальных данных, включающий, в частности, определение и расчет нотны и рационального объема выборки, а также регрессионный анализ нечетких данных, разработанный в [5]. Общая постановка [1] регрессионного анализа в рамках статистики нечисловых данных и ее частные случаи — дисперсионный анализ и дискриминантный анализ (распознавание образов с учителем), давая единый подход к формально различным методам, полезна при программной реализации современных статистических методов прогнозирования.
Основными процедурами обработки прогностических экспертных оценок являются проверка согласованности, кластер-анализ и нахождение группового мнения. Проверка согласованности мнений экспертов, выраженных ранжировками, проводится с помощью коэффициентов ранговой корреляции Кендалла и Спирмена, коэффициента ранговой конкордации Кендалла и Бэбингтона Смита. Используются параметрические модели парных сравнений — Терстоуна, Бредли-Терри-Льюса — и непараметрические модели теории люсианов [1, 3]. Полезна процедура согласования ранжировок и классификаций путем построения согласующих бинарных отношений. При отсутствии согласованности разбиение мнений экспертов на группы сходных между собой проводят методом ближайшего соседа или другими методами кластерного анализа (автоматического построения классификаций, распознавания образов без учителя). Классификация люсианов осуществляется на основе вероятностно-статистической модели.
Используют различные методы построения итогового мнения комиссии экспертов. Своей простотой выделяются методы средних арифметических и медиан рангов. Компьютерное моделирование [3] позволило установить ряд свойств медианы Кемени, часто рекомендуемой для использования в качестве итогового (обобщенного, среднего) мнения комиссии экспертов. Интерпретация закона больших чисел для нечисловых данных в терминах теории экспертного опроса такова: итоговое мнение устойчиво, то есть мало меняется при изменении состава экспертной комиссии, и при росте числа экспертов приближается к «истине». При этом в соответствии с принятым в [4] подходом предполагается, что ответы экспертов можно рассматривать как результаты измерений с ошибками, все они — независимые одинаково распределенные случайные элементы, вероятность принятия определенного значения убывает по мере удаления от некоторого центра — «истины», а общее число экспертов достаточно велико.
Многочисленны примеры ситуаций, связанных с социальными, технологическими, экономическими, политическими, экологическими и другими рисками. Именно в таких ситуациях обычно и необходимо прогнозирование. Известны различные виды критериев, используемых в теории принятия решений [2] в условиях неопределенности (риска). Из-за противоречивости решений, получаемых по различным критериям, очевидна необходимость применения оценок экспертов.
В конкретных задачах прогнозирования необходимо провести классификацию рисков, поставить задачу оценивания конкретного риска, провести структуризацию риска, в частности, построить деревья причин (в другой терминологии, деревья отказов) и деревья последствий (деревья событий). Центральной задачей является построение групповых и обобщенных показателей, например, показателей конкурентоспособности и качества. Риски необходимо учитывать при прогнозировании экономических последствий принимаемых решений, поведения потребителей и конкурентного окружения, внешнеэкономических условий и макроэкономического развития России, экологического состояния окружающей среды, безопасности технологий, экологической опасности промышленных и иных объектов.
Современные компьютерные технологии прогнозирования основаны на интерактивных статистических методах прогнозирования с использованием баз эконометрических данных, имитационных (в том числе на основе применения метода статистических испытаний) и экономико-математических динамических моделей, сочетающих экспертные, математико-статистические и моделирующие блоки.
Литература по статистическим методам прогнозирования весьма обширна (содержит не менее 100000 статей и книг). В настоящей статье процитированы источники, в которых информация приведена в единую систему в соответствии с рекомендациями Российской академии статистических методов и Международной академии исследований будущего.
[править] Приложения (компьютерные) для прогнозирования
Для прогнозирования по временному ряду используют компьютерные программы — инструменты прогнозирования. Это позволяет автоматизировать большую часть операций при построении прогноза, а также позволяет избежать ошибок, связанных с вводом данных. Такие приложения могут быть как локальными (для использования на одном компьютере), так и интернет-приложениями (доступными в виде веб-сайта, например). В качестве локальных приложений следует выделить такие программы, как SPSS, Statistica, Forecast Expert.
[править] Интернет-приложения для прогнозирования по временному ряду
- Пример интернет-приложения для прогнозирования по временному ряду: http://forecasting.ikernel.org
- Утилита для быстрого построения прогноза http://fastcast.vityasev.ru (на основе математического ПО forecasting.ikernel.org и Google Charts).
[править] Краткое описание приложения
Созданное приложение для конечного пользователя выглядит как интерактивный веб-сайт; пользователю не нужно устанавливать никакие дополнительные приложения для построения прогноза; все, что нужно — это браузер и подключение к сети интернет.
В системе предусмотрено два режима ввода информации: «ручной» ввод данных и ввод данных посредством импорта, в том числе с сайта компании РосБизнесКонсалтинг. При использовании последнего режима следует указать диапазон дат для интересующего ряда, выбрать необходимый тикер, а также тип тикера. При «ручном» вводе данных можно внести уровни ряда непосредственно в текстовое поле или из предварительно подготовленного файла.
В настоящее время в приложении реализованы: модели трендов (полиномы 1-ой, 2-ой, 3-ей степени; логарифмическая, степенная и экспоненциальная функции); тренд-сезонные модели (аддитивная, мульти-пликативная, смешанная); метод экспоненциального сглаживания (полиномы 1-й и 2-й степени).
Методы прогнозирования
Контрольная работа по дисциплине: «Социально-экономическое прогнозирование и стратегическое планирование».
Московский Институт Предпринимательства и Права
Москва
Введение.
Процесс управления предприятием представляет собой непрерывную разработку управленческих решений и применение их на практике. От эффективности разработки этих решений в значительной степени зависит успех дела. И прежде чем начинать какое-либо дело, необходимо определить цель своих действий. В процессе производства руководителям предприятия очень часто приходится сталкиваться с критическими проблемами, и от того, на сколько оптимально принятое решение, будет зависеть конечный финансовый результат деятельности предприятия.
Потребность в решении возникает только при наличии проблемы, которая в общем, виде характеризуется двумя состояниями - заданным (желаемым) и фактическим (прогнозируемым), и именно прогнозирование будет отправной точкой в процессе принятия управленческого решения. Рассогласование между этими состояниями предопределяет необходимость выработки – управленческого решения и контроля за его реализацией.
Чтобы прогнозирование было наиболее эффективным, цели должны быть конкретными и измеримыми. То есть для каждой цели должны существовать критерии, которые позволили бы оценить степень достижения цели. Без этих критериев не возможна реализация одной из основных функций управления - контроля. Исходя из этого, можно сделать вывод, что цель, степень достижения которой можно количественно измерить, будет всегда лучше цели, сформулированной лишь словесно (вербально).
Прогнозирование - это своего рода умение предвидеть, анализ ситуации и ожидаемого хода её и изменения в будущем. Так как каждое решение - это проекция в будущее, а будущее - содержит элемент неопределенности, то важно правильно определить степень рисков, с которыми сопряжена реализация принятых решений.
Методы прогнозирования.
Метод прогнозирования – это способ исследования объекта прогнозирования, направленный на разработку прогноза. Совокупность специальных правил, приемов и методов составляет методику прогнозирования.
К наиболее распространенным методам прогнозирования относятся: экспертное прогнозирование, технологическое прогнозирование, нормативное прогнозирование, метод сценариев.
Рассмотрим подробнее каждый из этих методов.
1. Метод технологического прогнозирования.
Технологическое прогнозирование подразделяется на изыскательское (иногда его еще называют поисковым) и нормативное.
В основе изыскательского прогнозирования положена ориентация на представляющиеся возможности, установление тенденций развития ситуаций на основании при разработке прогноза информации.
Перемещение в пространстве технологий от технологий более низкого уровня к технологиям более высокого уровня относится к изыскательскому прогнозированию. Или иначе можно сказать, что потребности и цели должны соответствовать средствам и возможностям коммерческой организации.
Примером изыскательского прогнозирования может служить прогнозирование в области электроники, когда прогнозируемый процесс представляется в виде последовательного перемещения технологий, начиная от квантовой электродинамики и кончая мгновенно осуществляемой всемирной связью. Нормативное прогнозирование ориентировано на миссию организации, на те потребности и цели, к достижению которых она стремится. Нормативному прогнозированию соответствует перемещение в пространстве технологий от технологий более высоких уровней к технологиям более низкого уровня, то есть от потребностей и целей к средствам их реализации.
Примером нормативного прогнозирования может служить прогнозирование в области космоса, когда прогнозируемый процесс представляется в виде последовательного перемещения технологий от понимания проблемы космоса как среды, которая должна служить на благо человеку, до конкретных средств её решения - условий для ядерного деления и количества высвобождаемой при этом энергии и т.д.
В рамках технологического прогнозирования решаются такие задачи, как разработка прогнозов в области экономической, коммерческой деятельности, социальной и политической.
Одной из главных проблем точности и эффективности прогнозов является максимально полезное сочетание методов изыскательского и нормативного прогнозирования. Это является следствием различия используемых методов. Так для изыскательского прогнозирования, характерно использование таких методов, как:
экстраполяция;
моделирование;
метод исторической аналогии;
написание сценариев;
другие методы, базирующихся на анализе точных эмпирических данных.
При использовании методов изыскательского прогнозирования предпочтение отдается количественной информации. Использование качественной (неколичественной) информации в изыскательском прогнозировании также возможно.
Примером тому, является использование интуитивных методов, того же метода сценариев или метода экспертных кривых, позволяющих определять наметившиеся тенденции изменения ситуации, базируясь не только на эмпирических данных, но и на опыте высококвалифицированных специалистов - экспертов.
Основными же методами, использующимися при нормативном прогнозировании являются, в первую очередь, методы Паттерн, Делфи, Глушкова, Поспелова и др. К новым видам прогнозирования относят прогнозирование с использованием обратной связи, интуитивные методы, «обходные» и др. Но основные идеи, используемые при разработке прогнозов, достаточно полно представлены именно в изыскательском и нормативном прогнозировании.
Также следует отметить, что очень важным моментом (как для процесса сбора, так и для процессов анализа и обработки данных) определения того является ли информация количественной или неколичественной (качественной).
Количественная информация, если она достаточно надежна, обладает тем преимуществом, что позволяет использовать точные математические методы и модели и определять тенденции развития ситуации с определенной точностью, с указанием доверительных интервалов, возможных погрешностях при расчетах и т.д. Но даже более существенным является то обстоятельство, что круг проблем, для которых удается разработать адекватные математические модели, оказывается значительно уже того множества ситуаций, в которых необходимо принимать реальные решения.
Гораздо чаще при разработке прогнозов приходится иметь дело с качественной информацией.
При разработке прогноза к их числу относят ситуации, когда данные представлены в виде вербальных (словесных) описаний, когда оценки получены с помощью вербальных или вербально числовых шкал, когда имеется информация лишь о сравнительных оценках альтернативных вариантов.
Существуют также ситуации, когда полученная количественная информация не может быть «вписана» ни в одну из имеющихся математических моделей, также может быть проанализирована с помощью специально разрабатываемых методов качественного анализа.
В последние годы получило развитие экспертное прогнозирование, ориентированное в большей степени на работу не только с количественной, но и с качественной информацией, получаемой непосредственно от экспертов. 2. Метод экспертного прогнозирования.
С помощью этого метода прогнозирования может быть решена большая часть проблем, возникающих при разработке прогнозов. В экспертном прогнозировании существует несколько основных этапов.
1.Подготовка к разработке прогноза.
2.Анализ ретроспективной информации, внутренних и внешних условий.
3.Определение наиболее вероятных вариантов развития внутренних и внешних условий.
4.Проведение экспертизы
5.Разработка альтернативных вариантов
6.Априорная и апостериорная оценка качества прогноза
7.Контроль хода реализации прогноза и корректировка прогноза
На стадии подготовки к разработке прогноза должны быть решены следующие задачи:
подготовлено организационное обеспечение разработки прогноза,
сформулировано задание на прогноз,
сформулированы рабочая и аналитическая группы сопровождения,
сформулирована экспертная комиссия,
подготовлено методическое обеспечение разработки прогноза,
подготовлена информационная база для проведения прогноза,
подготовлено компьютерное сопровождение разработки прогноза.
После принятия решения о разработке прогноза необходимо назначить исполнителей для этой разработки. Этой группе работников поручается организационное обеспечение разработки прогноза. Они также должны обеспечить методическое и информационное его сопровождение.
Качественный экспертный прогноз может быть разработан только тогда, когда он хорошо подготовлен, если в его разработке задействованы компетентные специалисты, когда использована достоверная информация, когда оценки получены корректно и корректно обработаны.
Для разработки качественного прогноза необходимо использование современных технологий, сопровождающих и поддерживающих процесс разработки.
В состав экспертной комиссии приглашаются специалисты, профессионально знакомые с объектом экспертизы. Если требуется многоаспектная оценка объекта, либо оцениваться должны разнородные объекты и для этого нужны специалисты разных профессий, то экспертная комиссия должна быть сформирована таким образом, чтобы в её состав входили специалисты, способные профессионально оценить все основные аспекты прогнозируемой проблемы.
Задачей аналитической группы является методическая подготовка процесса прогнозирования. В состав аналитической группы входят специалисты, обладающие профессиональными знаниями и опытом проведения прогнозных разработок. Разработка прогноза должна быть проведена методически грамотно, применяемые методы должны соответствовать характеру прогнозируемой ситуации и характеру информации, которую предстоит получить, проанализировать и обработать. Также разработка прогноза должна быть четко регламентирована, то есть рабочая группа должна подготовить необходимую документацию, в состав которой входят: официально оформленное решение о проведении прогноза, состав экспертной комиссии, график разработки прогноза, контракты со специалистами, привлекаемыми для его разработки и т.д. Специалисты должны быть обеспечены всей необходимой информацией об объекте прогнозирования. Полезным может оказаться специально подготовленный аналитической группой аналитический обзор по прогнозируемой проблеме. При работе с многовариантными прогнозами приходится иметь дело с большими объемами информации, которая к тому же, должна анализироваться и обрабатываться в соответствии с используемой технологией разработки прогноза. Это невозможно сделать без компьютера и соответствующего программного обеспечения.
При анализе ретроспективой информации об объекте прогнозирования предполагается четкое разделение количественной и качественной информации. Количественная информация (достаточно надежная) используется для расчетов по экстраполяции динамики изменения прогнозируемых параметров, по определению наиболее вероятных тенденций их изменения. Качественная же информация классифицируется, систематизируется и служит основанием для оценок экспертов и используется для разработки экспертных прогнозов. При разработке прогноза необходим анализ внутренних условий объекта прогнозирования, содержательный анализ их особенностей и динамики развития.
Если разработаны математические, имитационные, аналоговые и другие модели функционирования объекта прогнозирования и изменения внутренних условий, то в них вводятся необходимые данные и на их основании производятся расчеты, позволяющие оценить наиболее вероятные изменения внутренних условий объекта прогнозирования.
При разработке прогноза, внешним условиям, внешней среде функционирования объекта прогнозирования должно уделяться не меньше внимания, чем внутренним.
Внутренняя среда, как внутреннее условие объекта прогнозирования, включает в себя: внутриорганизационные процессы, технологию, кадры, организационную культуру, управление функциональными процессами. Внешняя среда, включает общее внешнее окружение и непосредственно деловое окружение организации.
Определение наиболее вероятных вариантов развития внутренних и внешних условий объекта прогнозирования является одной из центральных задач разработки прогноза. На этом этапе разработки прогноза на основании анализа внутренних и внешних условий и всей имеющейся информации об объекте прогнозирования, информации в результате работы экспертной комиссии предварительно определяется перечень возможных альтернативных вариантов изменения внутренних и внешних условий. После их предварительной оценки, из перечня исключаются альтернативные варианты, реализуемость которых в прогнозируемые период сомнительна или же вероятность их реализации ниже предварительно установленного порогового значения. Оставшиеся альтернативные варианты подвергаются более углубленной оценке с целью определения альтернативных вариантов изменения внутренних и внешних условий, осуществление которых наиболее вероятно.
На этом этапе разработки прогноза предполагается наиболее активная работа экспертов по определению и оценке ключевых событий, наступление которых ожидается в прогнозируемом промежутке времени.
Предыдущий этап разработки прогноза дает информацию, необходимую аналитической группе для проведения экспертизы. Экспертам представляется информация о наиболее вероятном изменении внутренних и внешних условий, на основе ранее проведенного анализа формулируются вопросы, на которые должны быть получены ответы в результате проведения экспертизы, намечаются наиболее вероятные сценарии развития событий.
В зависимости от природы объекта прогнозирования, от характера оценок и суждений, которые должны быть получены в процессе проведения экспертизы, определяются конкретные способы организации и проведения экспертизы. Экспертизы могут быть одно-туровыми и много туровыми, анонимными и предусматривающие открытый обмен мнениями-т. д. Разнообразные методы используются при сравнительной оценке объектов, при прогнозе количественных и качественных значений параметров прогнозируемого объекта, начиная от различных модификаций метода Делфи и кончая разнообразными процедурами метода мозговой атаки. Характер экспертной информации, которую предполагается использовать при разработке прогноза, накладывает определенные требования на выбор конкретного метода организации и проведения экспертизы. Если прогнозируемый объект достаточно сложен и многоаспектен, то целесообразно использование комплексных методов организации и проведения экспертизы при проведении экспертизы для разработки прогноза аналитическая группа может использовать анкетирование и интервьюирование.
Подготовленная на предыдущих этапах информация, в том числе и полученная от экспертов, используется при непосредственной разработке прогноза. Как правило, маловероятны случаи, когда заранее известно в каком направлении будут происходить изменения внутренних и внешних условий, какая стратегия будет выбрана организацией при том или ином развитии событий. Ведь развитие организации в прогнозируемом будущем зависит от различных факторов, а также от их сочетания и взаимодействия. Из этого можно сделать вывод, что при стратегическом планировании и в других случаях использования прогнозов необходимо рассматривать различные альтернативные варианты развития событий, как благоприятные, так и неблагоприятные.
На предыдущих этапах были определены наиболее вероятные изменения основных внутренних и внешних условий, определяющих ход прогнозируемых событий. Для наиболее вероятных альтернативных вариантов, их изменений, должны быть разработаны наиболее вероятные альтернативные варианты развития прогнозируемых событий.
Допустим, одной из целей разработки прогноза является определение динамики развития количественных показателей и параметров, то используется полученный на предыдущих этапах разработки прогноза объем информации (количественной и качественной) и соответствующие методы экстраполирования (определения изменения прогнозируемых показателей и параметров в будущем), рассчитываются кривые их изменения в прогнозируемом промежутке времени. Но мы не всегда имеем необходимую информацию для использования количественных методов экстраполяции. Эта черта характерна для современного этапа экономической жизни России, отсутствие необходимых для расчетов статистических данных, поскольку прежние экономические зависимости и закономерности изменились. Поэтому, как правило, единственным способом экстраполяции показателей и параметров на прогнозируемый промежуток времени остается способ построения экспертных кривых. Эти кривые отражают оценку динамики изменения прогнозируемых значений показателей и параметров экспертами.
Эксперты определяют критические точки, в которых тенденция изменения значений прогнозируемых показателей и параметров может измениться под действием тех или иных факторов. А затем, в каждой из критических точек, расположенных на оси времени, оцениваются ожидаемые значения прогнозируемых показателей и параметров, а также характер их изменения в интервале между двумя критическими точками.
При разработке вариантного прогноза должна быть произведена экстраполяция прогнозируемых значений показателей и параметров для различных вариантов исходных условий и для различных вариантов возможных альтернативных вариантов динамики их изменений. Вместе с этим, каждый альтернативный вариант разрабатываемого прогноза может сопровождаться описанием прогнозируемого развития событий.
Априорная и апостериорная оценка качества прогноза. Оценка качества прогноза - одна из центральных проблем в процессе разработки управленческих решений. Степень доверия к разработанному прогнозу во многом влияет на решение и сказывается на эффективности управленческих решений, принимаемых с использованием разработанного прогноза.
Однако оценка качества прогноза является достаточно сложной задачей не только в момент, когда прогноз только разработан (априорная оценка), но и в момент, когда прогнозируемое событие уже произошло (апостериорная оценка). Здесь следует также отметить тот факт, что качественный прогноз при принятии решения может быть использован по-разному.
Если со стороны руководства организации не оказывается значительное воздействие на ход развития событий, а лишь осуществляется наблюдение за ним, то после наступления конца прогнозируемого периода необходимо лишь сопоставить значения спрогнозированных показателей и параметров с полученными в действительности. Это позволяет оценить качество разработанного прогноза апостериорно.
После разработки прогноза должны быть определены критерии, по которым точность прогноза может быть оценена. Обычно для оценки прогноза используются два метода: дифференциальный и интегральный.
Интегральный метод предполагает обобщенную оценку качества прогноза на базе оценки качества прогноза по частным критериям. При дифференциальном методе оцениваются наборы оценок отдельных составляющих качества прогноза, имеющих достаточно четкий объективный смысл. Этими критериями могут быть: ясность и четкость задания на прогноз, соответствие прогноза заданию, своевременность разработки прогноза, профессиональный уровень разработки прогноза, надежность использованной информации и т.д.
Примером использования интегрального метода может служить критерий «интегральное качество экспертного прогноза».
Качество экспертного прогноза определяется по таким критериям, как:
компетентность (или, в более общем виде, качество) эксперта;
качество информации, представляемой экспертам;
качество экспертной информации, поступающей от экспертов;
уровень технологии разработки прогноза.
Если период прогнозирования уже завершился, то необходимо сопоставить спрогнозированные значения показателей и параметров с полученными в результате реализовавшегося в действительности хода прогнозируемых событий.
И здесь на первый план выступает вопрос, - по какому критерию оценивать качество прогноза апостериорно. В качестве примера критериев оценки точности прогноза можно привести следующую формулу:
K1=¦X-И¦K2=¦lnX/И¦,
где X—прогнозировавшееся значение оценки показателя;
U—истинное значение оценки показателя.
После того, как прогноз подготовлен и представлен руководству организации, наступает этап после прогнозной работы с подготовленным материалом.
Вариантная разработка прогноза предполагает разработку прогноза при различных альтернативных вариантах условий и предположений. А они могут измениться. События, вчера казавшиеся маловероятными, сегодня происходят, а казавшиеся наиболее вероятными не происходят.
Поэтому неотъемлемой частью современной технологии прогнозирования является периодически, в зависимости от происходящих изменений, осуществляемый мониторинг хода реализации прогнозированного хода развития событий. Мониторинг позволяет своевременно выявлять значительные отклонения в ходе развития событий. Если они могут оказать принципиальное влияние на дальнейший ход событий в части касающейся принятия важных стратегических решений, то прогноз должен быть подвергнут корректировке.
Коррективы могут быть различного уровня значимости, сложности, трудоемкости и т.д. Если они не очень значительны, то эта проблема может решаться на уровне аналитической группы, сопровождающей разработку прогноза. Если коррективы более существенны, то может потребоваться дополнительное привлечение отдельных экспертов, а в особо важных случаях при наличии значительных изменений - дополнительная работа экспертной комиссии с возможным изменением её состава. Последнее необходимо, в особенности, в тех случаях, когда для корректировки прогноза требуется привлечение специалистов другой профессиональной ориентации.
3. Метод изыскательского прогнозирования.
Одним из основных методов, используемых в изыскательском прогнозировании, является экстраполяция временных рядов - статистических данных об интересующем нас объекте. Экстраполяционные методы основаны на предположении о том, что закон роста, имевший место в прошлом, сохранится и в будущем, с учетом поправок из-за возможного эффекта насыщения и стадий жизненного цикла объекта.
К числу кривых, достаточно точно отражающих изменение прогнозируемых параметров в ряде распространенных ситуаций, является экспонента, то есть функция вида:
y=a•ebt,
где t—время, a и b—параметры экспоненциальной кривой.
К числу наиболее известных экспоненциальных кривых, используемых при прогнозировании можно отнести кривую Перла, выведенную на основании обширных исследований в области роста организмов и популяций, и имеющую вид:
Y = L/(1+a•e-bt),
где L —верхний предел переменной y.
Не менее распространена кривая Гомперца, выведенная на основании результатов исследований в области распределения дохода и уровня смертности (для страховых компаний), имеющая вид:
где k—также параметр экспоненты.
Кривые Перла и Гомперца использовались при прогнозе таких параметров, как возрастание коэффициента полезного действия паровых двигателей, рост эффективности радиостанций, рост тоннажа судов торгового флота и т.д.
Как кривая Перла, так и кривая Гомперца могут быть отнесены к классу так называемых S-образных кривых. Для таких кривых характерен экспоненциальный или близкий к экспоненциальному рост на начальной стадии, а затем при приближении к точке насыщения они принимают более пологий вид.
Многие из упомянутых процессов могут быть описаны с помощью соответствующих дифференциальных уравнений, решением которых и являются кривые Перла и Гомперца.
При экстраполяции используются регрессионные и феноменологические модели. Регрессионные модели строятся на базе сложившихся закономерностей развития событий с использованием специальных методов подбора вида экстраполирующей функции и определения значений её параметров. В частности, для определения параметров экстраполирующей функции может быть использован метод наименьших квадратов.
Предполагая использование той или иной модели экстраполирования, того или иного закона распределения, можно определить доверительные интервалы, характеризующие надежность прогнозных оценок.
Феноменологические модели строятся исходя из условий максимального приближения к тренду процесса, с учетом его особенностей и ограничений и принятыми гипотезами о его будущем развитии.
При многофакторном прогнозе в феноменологических моделях можно присваивать большие коэффициенты весомости факторам, которые в прошлом оказывали большее влияние на развитие событий в прошлом.
Если при прогнозировании рассматривается ретроспективный период, состоящий из нескольких отрезков времени, то, в зависимости от характера прогнозируемых показателей, менее удаленных от момента прогнозирования по шкале времени и т.д. Также должен быть учтен тот факт, что нередко при прогнозировании оценки экспертов относительно близкого будущего могут отличаться излишним оптимизмом, а оценки относительно более отдаленного будущего излишним пессимизмом.
Если в прогнозируемом процессе может участвовать несколько различных технологий, каждая из которых представлена соответствующей кривой, то в качестве результирующей экспертной кривой может быть использована огибающая частных кривых, соответствующих отдельным технологиям.
4. Метод нормативного прогнозирования.
Нормативное прогнозирование представляет собой подход, к разработке прогноза исходя из целей и задач, которые ставит перед собой организация в прогнозируемом периоде. Основным методом, использующимся в нормативном прогнозировании, является метод горизонтальных матриц решений, когда производится определение первоочередности выполнения предлагаемых для достижения поставленных целей проектов.
Обычно используются двумерные и трехмерные матрицы. Наиболее часто горизонтальные матрицы решений используются для определения оптимального распределения ресурсов при заданных ограничениях. При этом в качестве ресурсов могут выступать денежные средства, рабочая сила, её качество и квалификация, оборудование, энергетические ресурсы и т.д.
В частности, одно измерение горизонтальной матрицы решений может соответствовать основным проблемам, возникающим при достижении цели, второе измерение - ресурсам, которые могут потребоваться для решения этих проблем.
Согласованные матрицы более низких иерархических уровней проблем объединяются в матрицы более высоких уровней вплоть до главных матриц для стратегических проблем организации.
В трехмерной горизонтальной матрице решений одно измерение, например, может соответствовать коммерческим миссиям (областям сбыта), второе - ресурсам, третье - времени. Ресурсы в свою очередь, могут подразделяться на финансовые, коммерческие, ресурсы сбыта, производства, оборудования и т.д.
Вертикальные матрицы решений предназначены для отслеживания вертикального перемещения технологий. Вертикальная матрица решений для внутрифирменного планирования по рекомендациям Стэнфоррдского института может выглядеть примерно так.
Стадия исследований и разработок
Продукт
Заказчик
Ресурсы
Открытие
Создать
Воплотить
Разработать
В частности, трехмерная вертикальная матрица решений под названием «Общая схема разработки системы национальной космической программы» была разработана в компании «Норт америкэн авиэйшн».
Для более рационального выбора проектов для реализации могут быть использованы методы исследования операций такие, как:
линейное программирование, позволяющее сформулировать оптимизационную задачу в виде линейных ограничений (неравенств или равенств) и линейной целевой функции;
динамическое программирование, рассчитанное на решение многоступенчатых оптимизационных задач;
целочисленное программирование, позволяющее решать оптимизационные задачи, в том числе задачи оптимального распределения ресурсов, при дискретных (целочисленных) значениях переменных и др.
В инструментарий нормативного прогнозирования входят методы построения деревьев целей, методы типа Паттерн и др.
В этом случае каждой из рассматриваемых целей приписываются количественные весовые коэффициенты, а для каждого проекта оценивается вклад в достижение каждой из целей, если он ненулевой. Степень вклада впоследствии умножается на весовой коэффициент цели.
Наименование проектов
Цели обеспечения качества продукции
Цели обеспечения ритмичности производства
Все цели
0,6
0,4
Ценность проекта А=0,6*8+0,4*5=6,8
8
5
Ценность проекта В=0,6*4+0,4*7=5,2
4
7
Ценность проекта С=0,6*6+0,4*6=6,0.
6
6
Естественно для реализации целесообразно выбрать проект, представляющий наибольшую ценность.
5. Метод сценариев.
При разработке управленческих решений широкое распространение нашел метод сценариев, также дающий возможность оценить наиболее вероятный ход развития событий и возможные последствия принимаемых решений. Разрабатываемые специалистами сценарии развития анализируемой ситуации позволяют с, тем или иным уровнем достоверности определить возможные тенденции развития, взаимосвязи между действующими факторами, сформировать картину возможных состояний, к которым может прийти ситуация под влиянием тех или иных воздействий. Профессионально разработанные сценарии позволяют более полно и отчетливо определить перспективы развития ситуации, как при наличии различных управляющих воздействий, так и при их отсутствии. С другой стороны, сценарии ожидаемого развития ситуации позволяют своевременно осознать опасности, которыми чреваты неудачные управленческие воздействия или неблагоприятное развитие событий. Высказывается мнение, что необходимость в предвидении наиболее вероятного развития ситуации впервые возникла с возникновением промышленного производства, поскольку при сезонно повторяющемся сельскохозяйственном производстве в этом не было никакой необходимости. Полностью согласиться с такой точкой зрения трудно, поскольку испокон веков человечество воевало, время от времени вело грандиозное строительство. И без представления возможного развития ситуации такие, целенаправленные действия вряд ли были бы возможны. В то же время прототипы метода сценариев нередко мы находим в разные времена в разных странах. Так Кутузов собравший военный совет в Филях, и прослушавший различные варианты возможных действий, оценивал различные сценарии развития войны с французами, предлагавшиеся военноначальниками. Он сопоставлял их сильные и слабые стороны и пришел к тяжелому, но, пожалуй, единственно верному решению оставить Москву, обрекая ее на пожары и разрушения. Однако последующее развитие событий подтвердило его правоту. Предпочтенный им сценарий развития событий полностью себя оправдал. Государственный деятель, занимающий ответственный пост, и бизнесмен, принимающий важное для судьбы проекта решение, финансист, анализирующий фондовый рынок, хирург накануне сложной нетрадиционной операции, конструктор, закладывающий основы принципиально нового объекта при принятии важных решений, как правило, пытаются предугадать возможный сценарий развития событий с тем, чтобы принять решение, обеспечивающее успех. Считается, что первым сценарии для прогнозирования развития сложных систем использовал Герман Кан. Первые из разработанных сценариев носили преимущественно описательный характер. Впоследствии метод сценариев был в значительной степени развит за счет использования более точных качественно-количественных моделей. Метод сценариев предполагает создание технологий разработки сценариев, обеспечивающих более высокую вероятность выработки эффективного решения в тех ситуациях, когда это возможно, и более высокую вероятность сведения ожидаемых потерь к минимуму в тех ситуациях, когда потери неизбежны. В настоящее время известны различные реализации метода сценариев такие, как: ? получение согласованного мнения, ? повторяющаяся процедура независимых сценариев, ? использование матриц взаимодействия и др. Метод получения согласованного мнения является, по существу, одной из реализаций метода Делфи, ориентированной на получение коллективного мнения различных групп экспертов относительно крупных событий в той или иной области в заданный период будущего. К недостаткам этого метода можно отнести недостаточное внимание, уделяемое взаимозависимости и взаимодействию различных факторов, влияющих на развитие событий, динамике развития ситуации. Метод повторяющегося объединения независимых сценариев состоит в составлении независимых сценариев по каждому из аспектов, оказывающих существенное влияние на развитие ситуации, и повторяющемся итеративном процессе согласования сценариев развития различных аспектов ситуации. Достоинством этого метода является более углубленный анализ взаимодействия различных аспектов развития ситуации. К его недостаткам можно отнести недостаточную разработанность и методическую обеспеченность процедур согласования сценариев. Метод матриц взаимовлияний, разработанный Гордоном и Хелмером, предполагает определение на основании экспертных оценок потенциального взаимовлияния событий рассматриваемой совокупности. Оценки, связывающие все возможные комбинации событий по их силе, распределению во времени и т.д., позволяют уточнить первоначальные оценки вероятностей событий и их комбинаций. К недостаткам метода можно отнести трудоемкость получения большого количества оценок и корректной их обработки. В работе предлагается методология составления сценариев, предполагающая предварительное определение пространства, параметров, характеризующих систему. Состояние системы в момент времени t является точкой S(t) в этом пространстве параметров. Определение возможных тенденций развития ситуации позволяет определить вероятное направление эволюции положения системы в пространстве выявленных параметров S(t) в различные моменты времени в будущем S(t+l), S(t+2) и т.д. Если управляющие воздействия отсутствуют, то предполагается, что система будет эволюционировать в наиболее вероятном направлении. Управляющие воздействия эквивалентны воздействию сил, способных изменить направление траектории S(t). Естественно, что управляющие воздействия должны рассматриваться как с учетом ограничений накладываемых как внешними, так и внутренними факторами. Предлагаемая технология разработки сценариев предполагает рассмотрение положения системы в дискретные моменты времени t, t+1, t+2, ... . При этом предполагается, что точка, соответствующая системе S(t) в пространстве параметров расположенным в конусе, расширяющемся при удалении от исходного момента времени t. В некоторый момент времени t+T ожидается, что система будет расположена в сечении конуса, соответствующем моменту времени t+T. Все точки этого сечения могут считаться вероятным расположением системы в пространстве параметров. Естественно, что наиболее вероятным считается положение системы на центральной оси конуса. Управляющие воздействия приводят к смещению положения системы в пространстве параметров. В этом случае также целесообразно рассматривать лишь дискретные точки, наибольшее внимание, уделяя при этом наиболее вероятным точкам. При таком анализе необходимо предвидеть возможность возникновения дополнительных внутренних напряжении между элементами системы, поскольку они также могут изменять положение системы в пространстве параметров. Для оценки напряжений могут быть использованы соответствующие индикаторы, в частности, экономического или социального характера, а также пороговые значения индикаторов, при превышении которых положение системы может значительно измениться. Управляющие воздействия в ряде случаев могут быть направлены на предотвращение превышения пороговых значений индикаторов, если нашей целью является сохранение стабильности. В некоторых случаях можно целенаправленно стремиться к превышению пороговых значений индикаторов, если это соответствует поставленным перед системой задачам. Одним из наиболее важных результатов использования этой разновидности метода сценариев, как впрочем, и других его разновидностей, является лучшее понимание анализируемой ситуации и основных закономерностей и особенностей ее развития. Заслуживает внимания разновидность метода сценариев, предложенная Абтом, Фостером и Ри. Авторы подчеркивают, что их метод разработки сценариев относится скорее к анализу возможного, а не к вероятного будущего. Действительно, полученное в процессе разработки прогноза более глубокое понимание ситуации предполагает в качестве следующего шага выработку системы воздействий, которая может изменить рассмотренные сценарии развития ситуации. И вероятное будущее может оказаться скорректированным. Разработанный авторами метод предусматривает отбор только тех переменных, которые имеют непосредственное отношение к развитию анализируемой системы, будь то система контроля за окружающей средой или система управления технологическим процессом в действующем производстве и т.д. Далее предполагается разработка достаточно детальных сценариев для выявления опасностей, угрожающих системе, и необходимого противодействия им. Предусматривается отбор среди множества возможных сценариев наиболее пригодных для последующего анализа, а также процедуры использования компьютеров для разработки неискаженных сценарных прогнозов. Рассмотрим перечисленные процедуры более детально. Прежде, чем приступить к разработке сценария, предполагается провести анализ ситуации с определением основных действующих сил, основных взаимоотношений между основными действующими в ней факторами, необходимую детализацию и структуризацию ситуации. Отбор переменных в этом методе предполагает использование экспертов.
Анализируются, с возможным использованием контент-анализа, прогнозы экспертов развития ситуации и выделяются переменные, являющиеся частью логических рассуждений экспертов, и их взаимосвязи. Основной задачей при этом является получение набора существенных переменных, достаточно полно определяющих развитие анализируемой ситуации. Следующим этапом является определение для каждой переменной соответствующей шкалы, в которой она могла бы быть измерена. Поскольку в реальных ситуациях, наряду с количественными переменными, используются и качественные, предполагается разработка для каждой переменной вербально числовой шкалы, содержащей как численные значения градаций, так и их содержательное описание. Содержательное описание позволяет расширить состав переменных, включая в него переменные, действительно отражающие характер анализируемой ситуации, хотя и не имеющие количественной природы. Количественные значения переменных позволяют более надежно определять возможные опасности. Если переменные непрерывны, то целесообразно выделение характерных их значений, для использования при анализе ситуации. В некоторых случаях информация о переменных может представляться в виде некоторого тезауруса, в котором отражается основная информация как количественная, так и описательная, позволяющая достаточно полно представить переменную. Неоправданное увеличение числа переменных затрудняет возможность анализа ситуации, в то же время излишнее их обобщение (агрегирование) также затрудняет проведение анализа. Основная задача сценария - дать ключ к пониманию проблемы. При анализе конкретной ситуации переменные ее характеризующие принимают соответствующие значения - те или иные градации вербально числовых шкал каждой из переменных. Определяются все значения парных взаимодействий между переменными, которые оказывают взаимное влияние при развитии данной ситуации. Такое взаимодействие между переменными, как правило, представляется в матричном виде. После разработки и представления сценария с помощью переменных и оценки их взаимодействия и внутренней согласованности возможен, с использованием вербально - числовых шкал, переход к представлению сценария в виде содержательного описания. Такая форма нередко оказывается более удобной при подготовке отчета о проделанной работе. Иногда целесообразно включение в состав сценария предыстории развития анализируемой ситуации. Отличительной особенностью излагаемого метода является многовариантность, т.е. рассмотрение нескольких альтернативных вариантов возможного развития ситуации с учетом базисных сценариев. Группируя сценарии в классы можно определить рациональную стратегию воздействия на ситуацию. Как правило, данные о нескольких возможных сценариях развития ситуации более информативны, чем один единственный сценарий и способствуют принятию более эффективных решений. Особенность этого метода состоит также в том, что, возможно, оценивать значения взаимодействия переменных лишь на границах области допустимых значений, а не по всей области, как это предполагается в методе, использующем матрицы взаимовлияний. Использование специальных программ для компьютеров, а так же датчиков случайных чисел с последующим отсечением невозможных ситуаций для генерирования альтернативных вариантов сценариев расширяет горизонт анализа возможных в будущем ситуаций. Разработанный широкий спектр возможных альтернативных вариантов развития ситуации позволяет более полно определить критические ситуации для принятия решений, а также определить возможные последствия предлагаемы; альтернативных вариантов решений с целью их сопоставления и выбора наиболее эффективного. Профессионально разработанный и периодически актуализируемый прогноз - неотъемлемая составляющая процесса выработки и принятия важных управленческих решений.
Заключение.
Из всего вышесказанного можно сделать вывод, что при современных условиях функционирования рыночной экономики, невозможно успешно управлять коммерческой фирмой, без эффективного прогнозирования её деятельности. От того, на сколько прогнозирование будет точным и своевременным, а также соответствовать поставленным проблемам, будут зависеть, в конечном счете, прибыли, получаемые предприятием.
Для того, чтобы эффект прогноза был максимально полезен, необходимо создание на средних и крупных предприятиях так называемых прогнозных отделов (для малых предприятий создание этих отделов будет нерентабельным). Но даже без таких отделов обойтись, без прогнозирования невозможно. В этом случае прогноз должен быть получен силами менеджеров и задействованными в этом процессе специалистами.
Что касается самих прогнозов, то они должны быть реалистичными, то есть их вероятность должна быть достаточно высока и соответствовать ресурсам предприятия.
Для улучшения качества прогноза необходимо улучшить качество информации, необходимой при его разработке. Эта информация, в первую очередь, должна обладать такими свойствами, как достоверность, полнота, своевременность и точность.
Так как прогнозирование является отдельной наукой, то целесообразно (по мере возможности) использование нескольких методов прогнозирования при решении какой-либо проблемы. Это повысит качество прогноза и позволит определить «подводные камни», которые могут быть незамечены при использовании только одного метода. Также необходимо соотносить полученный прогноз с прецедентами в решении данной проблемы, если такие имели место при похожих условиях функционирования аналогичной организации (конкурента). И при определенной корректировке, в соответствии с этим прецедентом, принимать решения.
КЛАССИФИКАЦИЯ МЕТОДОВ ПРОГНОЗИРОВАНИЯ
Представленная классификация методов прогнозирования является классификацией последовательного типа, имеющей целью наглядное представление в виде иерархического дерева совокупности методов современного прогнозирования как некоторой системы [8].
Каждый уровень классификации характеризуется своим классификационным признаком. Элементы каждого уровня представляют собой наименования принадлежащих им подмножеств элементов ближайшего нижнего уровня, причем подмножеств непересекающихся.
Элементы нижнего уровня представляют собой наименование узких групп конкретных методов прогнозирования (иногда из одного элемента), которые являются модификациями или разновидностями какого-либо одного, наиболее общего из них.
В целом классификация является открытой, так как представляет возможность увеличивать число элементов на уровнях и наращивать число уровней за счет дальнейшего дробления и уточнения элементов последнего уровня.
На первом уровне все методы делятся на три класса по признаку “информационное основание метода”. Фактографические методы базируются на фактически имеющемся информационном материале об объекте прогнозирования и его прошлом развитии. Экспертные методы базируются на информации, которую поставляют специалисты-эксперты в процессе систематизированных процедур выявления и обобщения этого мнения. Комбинированные методы выделены в отдельный класс, чтобы можно было относить к нему методы со смешанной информационной основой, в которых в качестве первичной информации используются фактографическая и экспертная. Например, при проведении экспертного опроса участникам представляют цифровую информацию об объекте или фактографические прогнозы, либо, наоборот, при экстраполяции тенденции наряду с фактическими данными используют экспертные оценки.
Не следует относить к комбинированным методам те методы прогнозирования, которые к экспертной исходной информации применяют математические методы обработки или исходную фактографическую информацию оценивают экспертным путем. В большинстве случаев они достаточно хорошо укладываются в первый или второй из перечисленных выше классов.
Эти классы разделяются далее на подклассы по принципам обработки информации . Статистические методы объединяют совокупность методов обработки количественной информации об объекте прогнозирования по принципу выявления содержащихся в ней математических закономерностей развития и математических взаимосвязей характеристик с целью получения прогнозных моделей. Методы аналогий направлены на то, чтобы выявлять сходство в закономерностях развития различных процессов и на этом основании производить прогнозы. Опережающие методы прогнозирования строятся на определенных принципах специальной обработки научно-технической информации, реализующих в прогнозе ее свойство опережать развитие научно-технического прогресса
Экспертные методы разделяются на два подкласса. Прямые экспертные оценки строятся по принципу получения и обработки независимого обобщенного мнения коллектива экспертов (или одного из них) при отсутствии воздействий на мнение каждого эксперта мнения другого эксперта и мнения коллектива. Экспертные оценки с обратной связью в том или ином виде воплощают принцип обратной связи путем воздействия на оценку экспертной группы (одного эксперта) мнением, полученным ранее от этой группы или от одного из ее экспертов.
Третий уровень классификации разделяет методы прогнозирования на виды по классификационному признаку “аппарат методов”. Каждый вид объединяет в своем составе методы, имеющие в качестве основы одинаковый аппарат их реализации. Так, статистические методы по видам делятся на методы экстраполяции и интерполяции; методы, использующие аппарат регрессионного и корреляционного анализа; методы, использующие факторный анализ.
Класс методов аналогий подразделяется на методы математических и исторических аналогий. Первые в качестве аналога для объекта прогнозирования используют объекты другой физической природы, другой области науки, отрасли техники, однако имеющие математическое описание процесса развития, совпадающее с объектом/прогнозирования. Вторые в качестве аналога используют процессы одинаковой физической природы, опережающие во времени развитие объекта прогнозирования.
Опережающие методы прогнозирования можно разделить на методы исследования динамики научно-технической информации; методы исследования и оценки уровня техники. В первом случае в основном используется построение количественно-качественных динамических рядов на базе различных видов НТИ и анализа и прогнозирования на их основе соответствующего объекта. Второй вид методов использует специальный аппарат анализа количественной и качественной информации, содержащейся в НТИ, для определения характеристик уровня качества существующей и проектируемой техники.
Прямые экспертные оценки по признаку аппарата реализации делятся на виды экспертного опроса и экспертного анализа. В первом случае используются специальные процедуры формирования вопросов, организации получения на них ответов, обработки полученных ответов и формирования окончательного результата. Во втором—основным аппаратом исследования является целенаправленный анализ объекта прогнозирования со стороны эксперта или коллектива экспертов, которые сами ставят и решают вопросы, ведущие к поставленной цели.
Экспертные оценки с обратной связью в своем аппарате имеют три вида методов: экспертный опрос; генерацию идей; игровое моделирование. Первый вид характеризуется процедурами регламентированного неконтактного опроса экспертов перемежающимися обратными связями в рассмотренном выше смысле. Второй - построен на процедурах непосредстведного общения экспертов в процессе обмена мнениями по поставленной проблеме. Он характеризуется отсутствием вопросов и ответов и направлен на взаимное стимулирование творческой деятельности экспертов. Третий вид использует аппарат теории игр и ее прикладных разделов. Как правило, реализуется на сочетании динамического взаимодействия коллективов экспертов и вычислительной машины, имитирующих объект прогнозирования в возможных будущих ситуациях.
Наконец, последний, четвертый, уровень классификации подразделяет виды методов третьего уровня на отдельные методы и группы методов по некоторым локальным для каждого вида совокупностям классификационных признаков, из которых указать один общий для всего уровня в целом невозможно.
МЕТОДЫ ПРОГНОЗИРОВАНИЯ НА ОСНОВЕ ТРИЗ(c) Михаил Семенович Рубин, январь 1999 [email protected]
2.1. Противоречия и идеальность как методы прогнозирования. 2.2. Прогнозирование социально-технических и социальных систем. 2.3. Прогнозирование глобальных систем. 2.4. Этапы прогнозирования на основе разрешения "узловых" противоречий.
|
| | | | 1. Введение.Можно выделить два типа методов прогнозирования:
Достоинством метода экстраполяции является изученность используемых моделей, возможность (как правило) количественных оценок. Однако при этом прогноз может оказаться ошибочным из-за принципиальных, качественных изменений, которые невозможно было предусмотреть заранее. Например, в конце 19 века совершенно логичным мог выглядеть прогноз о том, что количество экипажей в Англии через полвека будет так велико, что улицы городов будут покрыты многометровым слоем навоза. Преимущество качественных прогнозов состоит в возможности предсказать принципиально важные повороты в прогнозируемой системе. Однако при этом чаще всего прогнозы строятся на основе субъективного опыта экспертов, что значительно снижает прогностическую ценность этих исследований. Настоящая статья посвящена качественным методам прогнозирования. Главное отличие предлагаемого подхода состоит в том, что для подготовки качественного прогноза используется методология, разработанная Г.С. Альтшуллером в теории решения изобретательских задач (ТРИЗ) [1]. Важные повороты в развитии социальных, социально-экономических и социально-технических системах рассматриваются как изобретения, как решение основных противоречий существующих в прогнозируемой системе. В настоящей статье мы рассмотрим методологию составления подобных прогнозов, отдельные примеры их использования и перспективы развития предлагаемых методик. |
| | | | 2. Прогнозирование на основе метода разрешения "узловых" противоречий.2.1. Противоречия и идеальность как методы прогнозирования.Любое изобретение можно рассматривать как прогноз. Например, К.Э. Циолковский сделал комплекс изобретений: ракеты, системы жизнеобеспечения в космосе, орбитальные станции. Понадобились десятилетия, чтобы эти идеи были реализованы. По существу процесс технического изобретательства и составления качественных прогнозов отличается только областью, в которой рассматриваются задачи и ресурсами, которые можно использовать для решения этих задач. Методологическая основа решения технических задач и составления качественных прогнозов - одинакова. Окружающие нас системы (технические, природные, социальные, экономические и др.) развиваются по диалектическим законам. В ТРИЗ выявлены фундаментальные механизмы этого развития, основные из которых:
ТРИЗ рекомендует формулировку противоречий в определенной форме. Приведем несколько примеров. В городских стенах, защищавших средневековые города, можно выделить несколько противоречий:
В разных странах, независимо друг от друга развитие городских стен шло в направлении разрешения этих противоречий. Например, появлялись сторожевые башни; стены приобрели зубчатую форму (таким образом часть стены высокая, а часть - низкая); вокруг городских стен сооружали рвы, заполняющиеся водой. Внутри толстых городских стен сооружали внутренние комнаты (таким образом сохраняли полезную площадь, не уменьшая толщину стен). Можно, конечно, и не решать возникающие противоречия, но тогда возникают нежизнеспособные монстры. На многие века, например, памятником полного игнорирования действия законов развития систем стала Великая Китайская стена: противоречия и не думали решать, и до идеальности далеко - затрат очень много, а польза исключительно музейная. При разрешении противоречий происходит качественный скачок, принципиально изменяющий облик системы. Вместо экипажей, например, появились автомобили, городской транспорт. Вместо городских стен возникли совершенно иные системы - регулярные войска, государственная граница, противовоздушная оборона и т.д. Возникновение подобных качественных скачков в развитии систем вполне возможно предсказывать при использовании технологий ТРИЗ, которые позволяют выявлять ключевые противоречия в системах, проводить анализ имеющихся ресурсов и находить решения, соответствующие общим тенденциям развития этих систем. 2.2. Прогнозирование социально-технических и социальных систем.Социальные системы, как и технические, развиваются через возникновение и преодоление противоречий. Например, спорт, олимпийское движение зародились как инструмент, направленный против ведения войн. Со временем внутри спорта и олимпийского движения зарождаются противоречия. Спорт из инструмента развития человека превращается в угрожающую для человеческого здоровья систему. Олимпийское движение из идеологии мира превращается в инструмент политических игр и крупного капитала. Достаточно вспомнить об Олимпийских играх в фашисткой Германии перед Второй Мировой войной, которые открывал А.Гитлер. Таким образом сложилось противоречие: спорт должен быть массовым, чтобы способствовать физическому развитию людей, и должен быть узкопрофессиональным, чтобы показывать рекордные результаты. Здоровье массового спорта все сложнее удается совмещать с допингом и другими ухищрениями профессиональных спортсменов. Очевидно, что решение этого противоречия должно привести к разрыву между спортом и физической культурой. Совсем недавно профессиональным спортсменам разрешили участвовать в Олимпийских играх, а членов Международного Олимпийского комитета стали ловить на взятках. Культ здоровья, а не спорт должен стать одним из главных приоритетов грядущей цивилизации. Безусловно, для более подробного прогноза необходим детальный анализ существующих в спорте и в обществе в целом тенденций. Действие закона о развитии систем в направлении разрешения возникающих противоречий отчетливо просматривается в социально-технических системах, например при развитии такой известной системы как часы, возникшей почти одновременно с нашей цивилизацией. В развитии часов можно выделить несколько фундаментальных противоречий. Одно из них связано с точностью. Это требование конфликтует, например, с мобильностью часов: солнечные часы, водяные, песочные, огневые, маятниковые - их сложно было переносить. Между тем изобретение переносных часов было необходимо не только для удобства, оно было крайне важным для географических открытий - мореплаватели могли точно ориентироваться только при помощи хронометра. Так появились пружинные часы, изобретенные Гюйгенсом, Д. Гаррисоном и другими. Требование к точности часов вступает в конфликт и с их стоимостью, сложностью изготовления. Например, в механических часах было предложено масса устройств, которые компенсировали температурные колебания, изменения влажности и атмосферного давления. Были даже часы, которые помещались под стеклянным куполом в вакууме. В современных электронных часах эти противоречия решены, точность часов сочетается с их мобильностью и простотой. Крайне важным в развитии часов является стремление к идеальной системе (максимум функций при минимуме затрат), к максимальному использованию ресурсов. Очевидно, например, стремление часов к миниатюризации, к совмещению различных функций на основе одного механизма. Трудно перечислить все системы, с которыми "объединялись" часы: музыкальные шкатулки, скульптуры, календари, компьютеры, телефоны, радио, телевизор, кулоны, браслеты и многое другое. Подобно тому, как свойства ядра и электрона в атомах приводят к закономерностям таблицы Д.И.Менделеева, так и в социально-технических системах преодоление противоречий и стремление к идеальности рождают общие закономерности развития систем. Например, явно просматривается закономерность в развитии часов, связанная с переходом от использования трудноуправляемых полей (солнечный свет, гравитация) к легкоуправляемым полям (электромагнитным, электрическим и др.). Еще одна закономерность - переход в надсистему. Вместо часов мы пользуемся сейчас целой системой оповещения - служба точного времени, телевидение и радио, телефоны и компьютеры. Еще одно противоречие, которое можно выделить в ходе развития часов, связано с характером их использования: часы индивидуального и коллективного пользования. Первые часы, например, появились как система коллективного пользования. История многих городов самым тесным образом связана с городскими часами. Известно, например, что когда Руанские башенные часы, проработав почти два века вдруг остановились в Системы коллективного пользования в своем развитии становятся системами индивидуального пользования. Затем возникают системы коллективно-индивидуального пользования, которые объединяют достоинства тех и других: при минимальном использовании ресурсов каждый пользователь получает максимальное удобство. Подобную закономерность можно проследить не только на примере развития часов, но и на примере развития компьютеров, автомобилей и множества других систем. Немаловажной тенденцией в развитии часов является переход от природных систем к искусственным. Например, в Древнем Египте день и ночь имели одинаковое количество часов, но в течении года длина ночного и дневного часа изменялись так, чтобы соответствовать моменту восхода и заката Солнца. В соответствии с этим вводились поправки в имеющиеся тогда часы, изменялась длина ночных молитв в храмах. Длительность часа зависела от продолжительности дня. В наше время мировая служба времени давно уже ориентируется не на Солнце и звезды, а на специально созданные человеком эталоны времени. Нас не удивляет, например, что волей ученых может быть введена поправка на одну-другую секунду в очередной календарный год (так произошло 1 января 1999г.). На примере развития часов можно было бы проследить целую плеяду закономерностей развития систем. Знание подобных закономерностей помогает прогнозировать развитие социально-технических систем. 2.3. Прогнозирование глобальных систем.Предлагаемый метод прогнозирования практически не ограничен иерархическим уровнем рассматриваемой социально-технической системы: это может быть отдельная техническая система, социально-техническая система такая как город или цивилизация в целом. Рассмотрим прогноз развития современной цивилизации. Одно из глобальных противоречий цивилизации связано с экспансией современных технологий и вытеснением природной среды. Развитие цивилизации неразрывно связано с промышленной революцией, с загрязнением окружающей среды и экологическим кризисом. Техника и промышленность должны развиваться, чтобы решать многочисленные задачи современной цивилизации, и не должны развиваться, чтобы не уничтожать природную среду. Само по себе противоречие достаточно известно. Предложения по его решению очень разнообразны. Самое радикальное из них - приостановить развитие цивилизации и техники, ограничить потребности людей, отказаться от удобств цивилизации. Однако обратно в пещеры никому не хочется. В связи с этим возник целый спектр позиций по ограничению развития техники от воинствующей позиции "зеленых" до взвешенной позиции международных сообществ по охране природы. Есть и радикальные предложения, например, уменьшить численность населения в ближайшие сто лет в десять раз. В разные века предлагались различные варианты реализации этой идеи. Мальтус, например, говорил о полезности войн. Еще более жестко к проблеме регулирования численности населения относился Платон. Не мало приверженцев этой идеи и сегодня: "Необходимо перейти ко всеобщему пропорциональному сокращению численности населения всех наций (при безусловном сохранении популяции малых народов)" (В.Горшков "Единственная стратегия выживания", "Знание - сила", 1991, N 6). Более экзотическое предложение состоит в миниатюризации жителей планеты, а именно - нас с вами. Как сообщается, возможно выведение нового вируса, который, будучи выпущен в атмосферу или водную среду, в течение достаточно короткого срока приведет к уменьшению роста людей: 70-80-сантиметровые человечки станут нормой, а метровые будут выситься меж ними гигантами. Роберт Макнамара, бывший министр обороны США, а затем и президент Всемирного банка, не видит в новом средстве ничего особенно страшного: выбор таков - либо миниатюризация, либо принудительная стерилизация. Альтернатива жутковатая! И как-то не очень хочется ни того, ни другого." (Мегаполис-экспресс, 1991, N 31 "Предпочитаем в лилипуты...") С точки зрения правил, имеющихся в ТРИЗ, в описанных выше прогнозах имеется ряд ошибок. Например, изменять желательно тот элемент системы, который легче поддается изменению (в нашем случае необходимо изменять не человека, а технику). Нельзя занимать и компромиссную позицию (ограничить темпы развития техники) - в этом случае противоречие не решается, а только откладывается время принятия решения. Природа продолжает вытесняться, а развития технологий, способных помочь в преодолении кризиса, тоже замедляется. Необходимо найти такое решение, которое не ограничивало бы развитие технологий, а наоборот - придавало ему ускорение. В то же время среда обитания человека, окружающий его мир становился бы благоприятнее и ни в коем случае не угрожал бы здоровью людей. Идеальное решение выглядело бы так: техника продолжает развиваться быстрыми темпами, не ухудшая среду обитания людей. Прогноз, основанный на использовании методов ТРИЗ при решении противоречия между развитием техники и природой, был подготовлен в 1988 году [3]. Суть прогноза состоит в том, что цивилизация постепенно уходит от использования неуправляемой, дикой стихии природы. Мы строим свою среду обитания: города, транспорт, подчиненные нам источники энергии, переработанные по нашему желанию природные ресурсы. Технологии грядущей цивилизации должны чем-то напоминать технологии космических орбитальных станций: ведь не станут же на этих станциях, в подводных лодках или в метро выбрасывать в воздух вредные вещества, бездумно использовать энергоресурсы. Этот мир мы назвали бесприродный технический мир (БТМ). Название многих отпугивает, но за эти годы мы получили только эмоциональные возражения против нашего прогноза или возражения, связанные с неверным пониманием нашей позиции - технологии БТМ (как и космические технологии) направлены на сохранение природы, но позволяют от нее не зависеть. Наши исследования и расчеты показали, что человечество в принципе способно построить такой мир. Технологически и энергетически БТМ доступен для нашей цивилизации. Более того все революционные изменения в нашей цивилизации, которые происходят в последние годы, полностью укладываются в концепцию БТМ: освоение космоса и развитие космических технологий, развитие информационных систем и компьютерных технологий, развитие новых медицинских технологий, создание принципиально новой городской среды обитания, концепция ноосферы - среды обитания человека. В развитии нашей цивилизации наблюдается целый спектр закономерностей, которые подтверждают концепцию БТМ. Мы уже приводили примеры перехода систем от неуправляемых к управляемым, от природных к искусственным. На смену природной красоте человечество создало искусство, эстетику городского и паркового ландшафта. Музыка, например, начиналась с подражания природным звукам: пению птиц, голосам животных, природным шумам. Современный мир звуков практически полностью искусственный, создан людьми. Музыкальные произведения, радио, телевидение, проигрыватели компакт- кассет и дисков, компьютеры, привычные звуки города - что это, как не новая, искусственная, управляемая среда обитания людей. Оппонентов концепции БТМ пугают перспективы новой цивилизации, при этом они часто забывают, что привычный для нас современный мир мог бы показаться кошмаром для людей древних цивилизаций или даже средних веков. 2.4. Этапы прогнозирования на основе разрешения "узловых" противоречий.В разработке прогнозов на основе выявления и разрешения противоречий можно выделить несколько этапов.
Следует отметить, что в полном виде методика может быть использована только на основе механизмов ТРИЗ и ее подходов. Более того, некоторые инструменты ТРИЗ требуют очень грамотного и профессионального применения, без чего работа может оказаться карикатурой на прогноз. |
| | | | 3. Метод системного многоуровневого прогнозирования.Прогнозирования на основе разрешения "узлового" противоречия, как правило не достаточно для составления полноценного прогноза. Изменения, связанные с разрешением основного противоречия системы, делают необходимым решение сопутствующих задач. Даже если кажется, что эти задачи кажутся второстепенными, в действительности вся идея может оказаться нереализуемой, если не решены эти задачи. Качественный прогноз возможен только при системном подходе к последствиям предлагаемого решения. Для проведения системного анализа Г.С. Альтшуллер предложил использовать системный оператор [1]. Суть этого оператора состоит в том, что любая система и изменения в ней рассматриваются по девятиэкранной схеме. На центральном экране помещается рассматриваемая система, на других экранах размещаются надсистема, подсистема, прошлое и будущее рассматриваемого объекта. Основная идея системного многоуровневого прогнозирования состоит в анализе и развитии прогноза на основе системного оператора Г.С. Альтшуллера. В качестве примера рассмотрим прогноз развития цивилизации на основе БТМ. Поместим прогноз цивилизации типа БТМ в экран "будущее системы". Перейдем по вертикали вниз - на экране "будущее подсистемы" окажутся такие объекты как город, транспорт, энергоснабжение, водоснабжение, обеспечение питанием и др. Рассмотрим прогноз развития системы водоснабжения с позиций БТМ. Основной принцип БТМ состоит в максимальной независимости жизненоважных для человека систем от природной среды. Использованная вода должна по возможности восстанавливаться для повторного использования, а не выбрасываться бесконтрольно в экосистему. Таким образом, формируется идея нового прогноза, который коротко можно обозначить как "вода без водопровода". Это результат "прогноза по вертикали" Теперь перейдем к рассмотрению исследуемой системы (системы водоснабжения) "по горизонтали", т.е. рассмотрим прошлое, настоящее и будущее этой системы. Даже самый краткий экскурс в прошлое показывает, что развитие цивилизации и система доставки воды (водопроводы, водоканалы и др.) неразрывно связаны друг с другом. Ирригационные системы были основой многих древних цивилизаций. Современный город, дома невозможно представить себе без системы водоснабжения. Именно поэтому "цивилизация без водопровода" кажется абсурдом. Однако не будем спешить с выводами, и с экрана "прошлое подсистемы" переместимся на экран "подсистема (настоящее)". Анализ современной ситуации в системе водоснабжения показывает серьезные противоречия, которые возникают в этой системе. Прежде всего, система водоснабжения неразрывно связана с канализационными системами: сколько мы забрали у природы, столько мы должны в нее и выбросить. Это сразу приводит к серьезным экологическим проблемам в местах забора и выброса канализационных вод. Возникающие при этом проблемы достаточно полно описаны в тысячах статей, посвященных этому вопросу. Скорбным памятником этой проблеме стало исчезнувшее Аральское море. Проблемы возникают не только в водоемах, но и в земле, в которой проходят коммуникации. Добиться абсолютной герметичности водопроводов и канализации невозможно, поэтому земля вокруг них пропитана как губка этой водой. Часто это приводит к очень серьезным экологическим проблемам, повышается уровень грунтовых вод, канализационные воды попадают в систему водоснабжения. Учитывая, что системы водоснабжения и канализации опутали современную цивилизацию подобно кровеносным сосудам, можно говорить о глобальности этой проблемы. Заменить существующие системы или использовать принципиально новые материалы - очень дорого и сложно. Возникает противоречие: система водоснабжения должна быть, чтобы обеспечивать людей водой, и ее не должно быть, чтобы не создавать многочисленных экологических проблем. Идеальное решение этого противоречия дословно совпадает с уже высказанным нами прогнозом: воду мы должны иметь, но без водопроводов. Таким образом мы получаем совпадение прогноза "по вертикали" (от БТМ к воде без водопровода) с прогнозом "по горизонтали" связанным с решением противоречий системы водоснабжения. На основе приведенного примера, кратко сформулируем основные этапы системного многоуровневого прогноза.
|
| | | | 4. От социально-технического прогнозирования к ТРИЗ-анализу.В социально-технических прогнозах, подготовленных на основе описанных методов, как это ни парадоксально, нельзя видеть картинку реального мира. Это скоре идеальный образ, проект, на основе которого строится реальное здание мира. Например, никто не строил авиацию путем модернизации ковровых изделий, хотя образ "ковра-самолета", безусловно, был одним из существенных двигателей этого процесса. В действительности разделять идеальный образ (прогноз) и реальное построение достаточно сложно. Достаточно вспомнить, например, создание первых автомобилей, которые по существу были экипажем без лошадей. В наше время совершенно очевидно, что прогноз "экипаж без лошадей" - это не устранение лошадей, а изобретение двигателя, всей автомобильной промышленности, давшей новый поворот в развитии нашей цивилизации. Точно также в прогнозе "вода без водопровода" речь не идет об уничтожении водопровода как такового, а о создании системы изобретений, позволяющих совершенно иначе использовать воду в быту и в промышленности. Для перехода от идеальных построений прогнозов к принятию конкретных решений необходима дополнительная исследовательская работа, которую мы назвали ТРИЗ-анализ. Этот метод позволяет учесть конкретную ситуацию, конкретное время, место, имеющиеся ресурсы для принятия того или иного решения. В качестве примера можно сослаться на ТРИЗ-анализ Каскада Туломских ГЭС (Рубин М.С., 1993 год.) Кроме трех электростанций, Каскад содержит ряд других структур, в том числе и участок электрокотельных, который отапливал два поселка. В котлах электрокотельной нагревалась вода, которая по теплосети передавалась в жилые дома и другие здания поселка. Одна из серьезных проблем Каскада была связана именно с трубами этой теплосети - они постоянно выходили из строя, большое количество тепла уходило в землю. Уже при самом первом знакомстве с этой проблемой возникает образ прогноза "вода без водопровода". Только в данном случае речь идет не о воде для питья, а о воде для передачи тепла. Решение возникает само собой: электрокотельную как таковую необходимо ликвидировать, а дома отапливать при помощи электронагревательных приборов. Инерция мышления состояла в том, что тепловая энергия, как правило, считается более дешевой по сравнению с электрической. Это справедливо везде, но не в поселке, который непосредственно занимается производством электроэнергии. Уже сам процесс перевода электрической энергии в тепловую с помощью электрокотельных делает эту схему работы не просто экономически не выгодной, но и абсурдной. Вместо того, чтобы доставить электричество непосредственно к домам, создать возможность индивидуального обогрева, использовать возможность контроля потребления энергии с помощью электросчетчиков - вместо всего этого строятся электрокотельные, создается сложная сеть теплоснабжения, набирается огромный штат работников для обслуживания этой системы и создается масса других искусственно возникающих проблем. ТРИЗ-анализ - это инструмент привязки, адаптации общего прогноза к конкретной ситуации и конкретным ресурсам. ТРИЗ-анализ направлен на выявление основных противоречий конкретной социально-технической системы (города, завода, комбината, коммерческой структуры) и решение выявленных задач. При выборе и постановке этих задач могут быть использованы социально-технические прогнозы. |
| | | | 5. Выводы.
|
Методы прогнозирования
Контрольная работа по дисциплине: «Социально-экономическое прогнозирование и стратегическое планирование».
Московский Институт Предпринимательства и Права
Москва
Введение.
Процесс управления предприятием представляет собой непрерывную разработку управленческих решений и применение их на практике. От эффективности разработки этих решений в значительной степени зависит успех дела. И прежде чем начинать какое-либо дело, необходимо определить цель своих действий. В процессе производства руководителям предприятия очень часто приходится сталкиваться с критическими проблемами, и от того, на сколько оптимально принятое решение, будет зависеть конечный финансовый результат деятельности предприятия.
Потребность в решении возникает только при наличии проблемы, которая в общем, виде характеризуется двумя состояниями - заданным (желаемым) и фактическим (прогнозируемым), и именно прогнозирование будет отправной точкой в процессе принятия управленческого решения. Рассогласование между этими состояниями предопределяет необходимость выработки – управленческого решения и контроля за его реализацией.
Чтобы прогнозирование было наиболее эффективным, цели должны быть конкретными и измеримыми. То есть для каждой цели должны существовать критерии, которые позволили бы оценить степень достижения цели. Без этих критериев не возможна реализация одной из основных функций управления - контроля. Исходя из этого, можно сделать вывод, что цель, степень достижения которой можно количественно измерить, будет всегда лучше цели, сформулированной лишь словесно (вербально).
Прогнозирование - это своего рода умение предвидеть, анализ ситуации и ожидаемого хода её и изменения в будущем. Так как каждое решение - это проекция в будущее, а будущее - содержит элемент неопределенности, то важно правильно определить степень рисков, с которыми сопряжена реализация принятых решений.
Методы прогнозирования.
Метод прогнозирования – это способ исследования объекта прогнозирования, направленный на разработку прогноза. Совокупность специальных правил, приемов и методов составляет методику прогнозирования.
К наиболее распространенным методам прогнозирования относятся: экспертное прогнозирование, технологическое прогнозирование, нормативное прогнозирование, метод сценариев.
Рассмотрим подробнее каждый из этих методов.
1. Метод технологического прогнозирования.
Технологическое прогнозирование подразделяется на изыскательское (иногда его еще называют поисковым) и нормативное.
В основе изыскательского прогнозирования положена ориентация на представляющиеся возможности, установление тенденций развития ситуаций на основании при разработке прогноза информации.
Перемещение в пространстве технологий от технологий более низкого уровня к технологиям более высокого уровня относится к изыскательскому прогнозированию. Или иначе можно сказать, что потребности и цели должны соответствовать средствам и возможностям коммерческой организации.
Примером изыскательского прогнозирования может служить прогнозирование в области электроники, когда прогнозируемый процесс представляется в виде последовательного перемещения технологий, начиная от квантовой электродинамики и кончая мгновенно осуществляемой всемирной связью. Нормативное прогнозирование ориентировано на миссию организации, на те потребности и цели, к достижению которых она стремится. Нормативному прогнозированию соответствует перемещение в пространстве технологий от технологий более высоких уровней к технологиям более низкого уровня, то есть от потребностей и целей к средствам их реализации.
Примером нормативного прогнозирования может служить прогнозирование в области космоса, когда прогнозируемый процесс представляется в виде последовательного перемещения технологий от понимания проблемы космоса как среды, которая должна служить на благо человеку, до конкретных средств её решения - условий для ядерного деления и количества высвобождаемой при этом энергии и т.д.
В рамках технологического прогнозирования решаются такие задачи, как разработка прогнозов в области экономической, коммерческой деятельности, социальной и политической.
Одной из главных проблем точности и эффективности прогнозов является максимально полезное сочетание методов изыскательского и нормативного прогнозирования. Это является следствием различия используемых методов. Так для изыскательского прогнозирования, характерно использование таких методов, как:
экстраполяция;
моделирование;
метод исторической аналогии;
написание сценариев;
другие методы, базирующихся на анализе точных эмпирических данных.
При использовании методов изыскательского прогнозирования предпочтение отдается количественной информации. Использование качественной (неколичественной) информации в изыскательском прогнозировании также возможно.
Примером тому, является использование интуитивных методов, того же метода сценариев или метода экспертных кривых, позволяющих определять наметившиеся тенденции изменения ситуации, базируясь не только на эмпирических данных, но и на опыте высококвалифицированных специалистов - экспертов.
Основными же методами, использующимися при нормативном прогнозировании являются, в первую очередь, методы Паттерн, Делфи, Глушкова, Поспелова и др. К новым видам прогнозирования относят прогнозирование с использованием обратной связи, интуитивные методы, «обходные» и др. Но основные идеи, используемые при разработке прогнозов, достаточно полно представлены именно в изыскательском и нормативном прогнозировании.
Также следует отметить, что очень важным моментом (как для процесса сбора, так и для процессов анализа и обработки данных) определения того является ли информация количественной или неколичественной (качественной).
Количественная информация, если она достаточно надежна, обладает тем преимуществом, что позволяет использовать точные математические методы и модели и определять тенденции развития ситуации с определенной точностью, с указанием доверительных интервалов, возможных погрешностях при расчетах и т.д. Но даже более существенным является то обстоятельство, что круг проблем, для которых удается разработать адекватные математические модели, оказывается значительно уже того множества ситуаций, в которых необходимо принимать реальные решения.
Гораздо чаще при разработке прогнозов приходится иметь дело с качественной информацией.
При разработке прогноза к их числу относят ситуации, когда данные представлены в виде вербальных (словесных) описаний, когда оценки получены с помощью вербальных или вербально числовых шкал, когда имеется информация лишь о сравнительных оценках альтернативных вариантов.
Существуют также ситуации, когда полученная количественная информация не может быть «вписана» ни в одну из имеющихся математических моделей, также может быть проанализирована с помощью специально разрабатываемых методов качественного анализа.
В последние годы получило развитие экспертное прогнозирование, ориентированное в большей степени на работу не только с количественной, но и с качественной информацией, получаемой непосредственно от экспертов. 2. Метод экспертного прогнозирования.
С помощью этого метода прогнозирования может быть решена большая часть проблем, возникающих при разработке прогнозов. В экспертном прогнозировании существует несколько основных этапов.
1.Подготовка к разработке прогноза.
2.Анализ ретроспективной информации, внутренних и внешних условий.
3.Определение наиболее вероятных вариантов развития внутренних и внешних условий.
4.Проведение экспертизы
5.Разработка альтернативных вариантов
6.Априорная и апостериорная оценка качества прогноза
7.Контроль хода реализации прогноза и корректировка прогноза
На стадии подготовки к разработке прогноза должны быть решены следующие задачи:
подготовлено организационное обеспечение разработки прогноза,
сформулировано задание на прогноз,
сформулированы рабочая и аналитическая группы сопровождения,
сформулирована экспертная комиссия,
подготовлено методическое обеспечение разработки прогноза,
подготовлена информационная база для проведения прогноза,
подготовлено компьютерное сопровождение разработки прогноза.
После принятия решения о разработке прогноза необходимо назначить исполнителей для этой разработки. Этой группе работников поручается организационное обеспечение разработки прогноза. Они также должны обеспечить методическое и информационное его сопровождение.
Качественный экспертный прогноз может быть разработан только тогда, когда он хорошо подготовлен, если в его разработке задействованы компетентные специалисты, когда использована достоверная информация, когда оценки получены корректно и корректно обработаны.
Для разработки качественного прогноза необходимо использование современных технологий, сопровождающих и поддерживающих процесс разработки.
В состав экспертной комиссии приглашаются специалисты, профессионально знакомые с объектом экспертизы. Если требуется многоаспектная оценка объекта, либо оцениваться должны разнородные объекты и для этого нужны специалисты разных профессий, то экспертная комиссия должна быть сформирована таким образом, чтобы в её состав входили специалисты, способные профессионально оценить все основные аспекты прогнозируемой проблемы.
Задачей аналитической группы является методическая подготовка процесса прогнозирования. В состав аналитической группы входят специалисты, обладающие профессиональными знаниями и опытом проведения прогнозных разработок. Разработка прогноза должна быть проведена методически грамотно, применяемые методы должны соответствовать характеру прогнозируемой ситуации и характеру информации, которую предстоит получить, проанализировать и обработать. Также разработка прогноза должна быть четко регламентирована, то есть рабочая группа должна подготовить необходимую документацию, в состав которой входят: официально оформленное решение о проведении прогноза, состав экспертной комиссии, график разработки прогноза, контракты со специалистами, привлекаемыми для его разработки и т.д. Специалисты должны быть обеспечены всей необходимой информацией об объекте прогнозирования. Полезным может оказаться специально подготовленный аналитической группой аналитический обзор по прогнозируемой проблеме. При работе с многовариантными прогнозами приходится иметь дело с большими объемами информации, которая к тому же, должна анализироваться и обрабатываться в соответствии с используемой технологией разработки прогноза. Это невозможно сделать без компьютера и соответствующего программного обеспечения.
При анализе ретроспективой информации об объекте прогнозирования предполагается четкое разделение количественной и качественной информации. Количественная информация (достаточно надежная) используется для расчетов по экстраполяции динамики изменения прогнозируемых параметров, по определению наиболее вероятных тенденций их изменения. Качественная же информация классифицируется, систематизируется и служит основанием для оценок экспертов и используется для разработки экспертных прогнозов. При разработке прогноза необходим анализ внутренних условий объекта прогнозирования, содержательный анализ их особенностей и динамики развития.
Если разработаны математические, имитационные, аналоговые и другие модели функционирования объекта прогнозирования и изменения внутренних условий, то в них вводятся необходимые данные и на их основании производятся расчеты, позволяющие оценить наиболее вероятные изменения внутренних условий объекта прогнозирования.
При разработке прогноза, внешним условиям, внешней среде функционирования объекта прогнозирования должно уделяться не меньше внимания, чем внутренним.
Внутренняя среда, как внутреннее условие объекта прогнозирования, включает в себя: внутриорганизационные процессы, технологию, кадры, организационную культуру, управление функциональными процессами. Внешняя среда, включает общее внешнее окружение и непосредственно деловое окружение организации.
Определение наиболее вероятных вариантов развития внутренних и внешних условий объекта прогнозирования является одной из центральных задач разработки прогноза. На этом этапе разработки прогноза на основании анализа внутренних и внешних условий и всей имеющейся информации об объекте прогнозирования, информации в результате работы экспертной комиссии предварительно определяется перечень возможных альтернативных вариантов изменения внутренних и внешних условий. После их предварительной оценки, из перечня исключаются альтернативные варианты, реализуемость которых в прогнозируемые период сомнительна или же вероятность их реализации ниже предварительно установленного порогового значения. Оставшиеся альтернативные варианты подвергаются более углубленной оценке с целью определения альтернативных вариантов изменения внутренних и внешних условий, осуществление которых наиболее вероятно.
На этом этапе разработки прогноза предполагается наиболее активная работа экспертов по определению и оценке ключевых событий, наступление которых ожидается в прогнозируемом промежутке времени.
Предыдущий этап разработки прогноза дает информацию, необходимую аналитической группе для проведения экспертизы. Экспертам представляется информация о наиболее вероятном изменении внутренних и внешних условий, на основе ранее проведенного анализа формулируются вопросы, на которые должны быть получены ответы в результате проведения экспертизы, намечаются наиболее вероятные сценарии развития событий.
В зависимости от природы объекта прогнозирования, от характера оценок и суждений, которые должны быть получены в процессе проведения экспертизы, определяются конкретные способы организации и проведения экспертизы. Экспертизы могут быть одно-туровыми и много туровыми, анонимными и предусматривающие открытый обмен мнениями-т. д. Разнообразные методы используются при сравнительной оценке объектов, при прогнозе количественных и качественных значений параметров прогнозируемого объекта, начиная от различных модификаций метода Делфи и кончая разнообразными процедурами метода мозговой атаки. Характер экспертной информации, которую предполагается использовать при разработке прогноза, накладывает определенные требования на выбор конкретного метода организации и проведения экспертизы. Если прогнозируемый объект достаточно сложен и многоаспектен, то целесообразно использование комплексных методов организации и проведения экспертизы при проведении экспертизы для разработки прогноза аналитическая группа может использовать анкетирование и интервьюирование.
Подготовленная на предыдущих этапах информация, в том числе и полученная от экспертов, используется при непосредственной разработке прогноза. Как правило, маловероятны случаи, когда заранее известно в каком направлении будут происходить изменения внутренних и внешних условий, какая стратегия будет выбрана организацией при том или ином развитии событий. Ведь развитие организации в прогнозируемом будущем зависит от различных факторов, а также от их сочетания и взаимодействия. Из этого можно сделать вывод, что при стратегическом планировании и в других случаях использования прогнозов необходимо рассматривать различные альтернативные варианты развития событий, как благоприятные, так и неблагоприятные.
На предыдущих этапах были определены наиболее вероятные изменения основных внутренних и внешних условий, определяющих ход прогнозируемых событий. Для наиболее вероятных альтернативных вариантов, их изменений, должны быть разработаны наиболее вероятные альтернативные варианты развития прогнозируемых событий.
Допустим, одной из целей разработки прогноза является определение динамики развития количественных показателей и параметров, то используется полученный на предыдущих этапах разработки прогноза объем информации (количественной и качественной) и соответствующие методы экстраполирования (определения изменения прогнозируемых показателей и параметров в будущем), рассчитываются кривые их изменения в прогнозируемом промежутке времени. Но мы не всегда имеем необходимую информацию для использования количественных методов экстраполяции. Эта черта характерна для современного этапа экономической жизни России, отсутствие необходимых для расчетов статистических данных, поскольку прежние экономические зависимости и закономерности изменились. Поэтому, как правило, единственным способом экстраполяции показателей и параметров на прогнозируемый промежуток времени остается способ построения экспертных кривых. Эти кривые отражают оценку динамики изменения прогнозируемых значений показателей и параметров экспертами.
Эксперты определяют критические точки, в которых тенденция изменения значений прогнозируемых показателей и параметров может измениться под действием тех или иных факторов. А затем, в каждой из критических точек, расположенных на оси времени, оцениваются ожидаемые значения прогнозируемых показателей и параметров, а также характер их изменения в интервале между двумя критическими точками.
При разработке вариантного прогноза должна быть произведена экстраполяция прогнозируемых значений показателей и параметров для различных вариантов исходных условий и для различных вариантов возможных альтернативных вариантов динамики их изменений. Вместе с этим, каждый альтернативный вариант разрабатываемого прогноза может сопровождаться описанием прогнозируемого развития событий.
Априорная и апостериорная оценка качества прогноза. Оценка качества прогноза - одна из центральных проблем в процессе разработки управленческих решений. Степень доверия к разработанному прогнозу во многом влияет на решение и сказывается на эффективности управленческих решений, принимаемых с использованием разработанного прогноза.
Однако оценка качества прогноза является достаточно сложной задачей не только в момент, когда прогноз только разработан (априорная оценка), но и в момент, когда прогнозируемое событие уже произошло (апостериорная оценка). Здесь следует также отметить тот факт, что качественный прогноз при принятии решения может быть использован по-разному.
Если со стороны руководства организации не оказывается значительное воздействие на ход развития событий, а лишь осуществляется наблюдение за ним, то после наступления конца прогнозируемого периода необходимо лишь сопоставить значения спрогнозированных показателей и параметров с полученными в действительности. Это позволяет оценить качество разработанного прогноза апостериорно.
После разработки прогноза должны быть определены критерии, по которым точность прогноза может быть оценена. Обычно для оценки прогноза используются два метода: дифференциальный и интегральный.
Интегральный метод предполагает обобщенную оценку качества прогноза на базе оценки качества прогноза по частным критериям. При дифференциальном методе оцениваются наборы оценок отдельных составляющих качества прогноза, имеющих достаточно четкий объективный смысл. Этими критериями могут быть: ясность и четкость задания на прогноз, соответствие прогноза заданию, своевременность разработки прогноза, профессиональный уровень разработки прогноза, надежность использованной информации и т.д.
Примером использования интегрального метода может служить критерий «интегральное качество экспертного прогноза».
Качество экспертного прогноза определяется по таким критериям, как:
компетентность (или, в более общем виде, качество) эксперта;
качество информации, представляемой экспертам;
качество экспертной информации, поступающей от экспертов;
уровень технологии разработки прогноза.
Если период прогнозирования уже завершился, то необходимо сопоставить спрогнозированные значения показателей и параметров с полученными в результате реализовавшегося в действительности хода прогнозируемых событий.
И здесь на первый план выступает вопрос, - по какому критерию оценивать качество прогноза апостериорно. В качестве примера критериев оценки точности прогноза можно привести следующую формулу:
K1=¦X-И¦K2=¦lnX/И¦,
где X—прогнозировавшееся значение оценки показателя;
U—истинное значение оценки показателя.
После того, как прогноз подготовлен и представлен руководству организации, наступает этап после прогнозной работы с подготовленным материалом.
Вариантная разработка прогноза предполагает разработку прогноза при различных альтернативных вариантах условий и предположений. А они могут измениться. События, вчера казавшиеся маловероятными, сегодня происходят, а казавшиеся наиболее вероятными не происходят.
Поэтому неотъемлемой частью современной технологии прогнозирования является периодически, в зависимости от происходящих изменений, осуществляемый мониторинг хода реализации прогнозированного хода развития событий. Мониторинг позволяет своевременно выявлять значительные отклонения в ходе развития событий. Если они могут оказать принципиальное влияние на дальнейший ход событий в части касающейся принятия важных стратегических решений, то прогноз должен быть подвергнут корректировке.
Коррективы могут быть различного уровня значимости, сложности, трудоемкости и т.д. Если они не очень значительны, то эта проблема может решаться на уровне аналитической группы, сопровождающей разработку прогноза. Если коррективы более существенны, то может потребоваться дополнительное привлечение отдельных экспертов, а в особо важных случаях при наличии значительных изменений - дополнительная работа экспертной комиссии с возможным изменением её состава. Последнее необходимо, в особенности, в тех случаях, когда для корректировки прогноза требуется привлечение специалистов другой профессиональной ориентации.
3. Метод изыскательского прогнозирования.
Одним из основных методов, используемых в изыскательском прогнозировании, является экстраполяция временных рядов - статистических данных об интересующем нас объекте. Экстраполяционные методы основаны на предположении о том, что закон роста, имевший место в прошлом, сохранится и в будущем, с учетом поправок из-за возможного эффекта насыщения и стадий жизненного цикла объекта.
К числу кривых, достаточно точно отражающих изменение прогнозируемых параметров в ряде распространенных ситуаций, является экспонента, то есть функция вида:
y=a•ebt,
где t—время, a и b—параметры экспоненциальной кривой.
К числу наиболее известных экспоненциальных кривых, используемых при прогнозировании можно отнести кривую Перла, выведенную на основании обширных исследований в области роста организмов и популяций, и имеющую вид:
Y = L/(1+a•e-bt),
где L —верхний предел переменной y.
Не менее распространена кривая Гомперца, выведенная на основании результатов исследований в области распределения дохода и уровня смертности (для страховых компаний), имеющая вид:
где k—также параметр экспоненты.
Кривые Перла и Гомперца использовались при прогнозе таких параметров, как возрастание коэффициента полезного действия паровых двигателей, рост эффективности радиостанций, рост тоннажа судов торгового флота и т.д.
Как кривая Перла, так и кривая Гомперца могут быть отнесены к классу так называемых S-образных кривых. Для таких кривых характерен экспоненциальный или близкий к экспоненциальному рост на начальной стадии, а затем при приближении к точке насыщения они принимают более пологий вид.
Многие из упомянутых процессов могут быть описаны с помощью соответствующих дифференциальных уравнений, решением которых и являются кривые Перла и Гомперца.
При экстраполяции используются регрессионные и феноменологические модели. Регрессионные модели строятся на базе сложившихся закономерностей развития событий с использованием специальных методов подбора вида экстраполирующей функции и определения значений её параметров. В частности, для определения параметров экстраполирующей функции может быть использован метод наименьших квадратов.
Предполагая использование той или иной модели экстраполирования, того или иного закона распределения, можно определить доверительные интервалы, характеризующие надежность прогнозных оценок.
Феноменологические модели строятся исходя из условий максимального приближения к тренду процесса, с учетом его особенностей и ограничений и принятыми гипотезами о его будущем развитии.
При многофакторном прогнозе в феноменологических моделях можно присваивать большие коэффициенты весомости факторам, которые в прошлом оказывали большее влияние на развитие событий в прошлом.
Если при прогнозировании рассматривается ретроспективный период, состоящий из нескольких отрезков времени, то, в зависимости от характера прогнозируемых показателей, менее удаленных от момента прогнозирования по шкале времени и т.д. Также должен быть учтен тот факт, что нередко при прогнозировании оценки экспертов относительно близкого будущего могут отличаться излишним оптимизмом, а оценки относительно более отдаленного будущего излишним пессимизмом.
Если в прогнозируемом процессе может участвовать несколько различных технологий, каждая из которых представлена соответствующей кривой, то в качестве результирующей экспертной кривой может быть использована огибающая частных кривых, соответствующих отдельным технологиям.
4. Метод нормативного прогнозирования.
Нормативное прогнозирование представляет собой подход, к разработке прогноза исходя из целей и задач, которые ставит перед собой организация в прогнозируемом периоде. Основным методом, использующимся в нормативном прогнозировании, является метод горизонтальных матриц решений, когда производится определение первоочередности выполнения предлагаемых для достижения поставленных целей проектов.
Обычно используются двумерные и трехмерные матрицы. Наиболее часто горизонтальные матрицы решений используются для определения оптимального распределения ресурсов при заданных ограничениях. При этом в качестве ресурсов могут выступать денежные средства, рабочая сила, её качество и квалификация, оборудование, энергетические ресурсы и т.д.
В частности, одно измерение горизонтальной матрицы решений может соответствовать основным проблемам, возникающим при достижении цели, второе измерение - ресурсам, которые могут потребоваться для решения этих проблем.
Согласованные матрицы более низких иерархических уровней проблем объединяются в матрицы более высоких уровней вплоть до главных матриц для стратегических проблем организации.
В трехмерной горизонтальной матрице решений одно измерение, например, может соответствовать коммерческим миссиям (областям сбыта), второе - ресурсам, третье - времени. Ресурсы в свою очередь, могут подразделяться на финансовые, коммерческие, ресурсы сбыта, производства, оборудования и т.д.
Вертикальные матрицы решений предназначены для отслеживания вертикального перемещения технологий. Вертикальная матрица решений для внутрифирменного планирования по рекомендациям Стэнфоррдского института может выглядеть примерно так.
Стадия исследований и разработок
Продукт
Заказчик
Ресурсы
Открытие
Создать
Воплотить
Разработать
В частности, трехмерная вертикальная матрица решений под названием «Общая схема разработки системы национальной космической программы» была разработана в компании «Норт америкэн авиэйшн».
Для более рационального выбора проектов для реализации могут быть использованы методы исследования операций такие, как:
линейное программирование, позволяющее сформулировать оптимизационную задачу в виде линейных ограничений (неравенств или равенств) и линейной целевой функции;
динамическое программирование, рассчитанное на решение многоступенчатых оптимизационных задач;
целочисленное программирование, позволяющее решать оптимизационные задачи, в том числе задачи оптимального распределения ресурсов, при дискретных (целочисленных) значениях переменных и др.
В инструментарий нормативного прогнозирования входят методы построения деревьев целей, методы типа Паттерн и др.
В этом случае каждой из рассматриваемых целей приписываются количественные весовые коэффициенты, а для каждого проекта оценивается вклад в достижение каждой из целей, если он ненулевой. Степень вклада впоследствии умножается на весовой коэффициент цели.
Наименование проектов
Цели обеспечения качества продукции
Цели обеспечения ритмичности производства
Все цели
0,6
0,4
Ценность проекта А=0,6*8+0,4*5=6,8
8
5
Ценность проекта В=0,6*4+0,4*7=5,2
4
7
Ценность проекта С=0,6*6+0,4*6=6,0.
6
6
Естественно для реализации целесообразно выбрать проект, представляющий наибольшую ценность.
5. Метод сценариев.
При разработке управленческих решений широкое распространение нашел метод сценариев, также дающий возможность оценить наиболее вероятный ход развития событий и возможные последствия принимаемых решений. Разрабатываемые специалистами сценарии развития анализируемой ситуации позволяют с, тем или иным уровнем достоверности определить возможные тенденции развития, взаимосвязи между действующими факторами, сформировать картину возможных состояний, к которым может прийти ситуация под влиянием тех или иных воздействий. Профессионально разработанные сценарии позволяют более полно и отчетливо определить перспективы развития ситуации, как при наличии различных управляющих воздействий, так и при их отсутствии. С другой стороны, сценарии ожидаемого развития ситуации позволяют своевременно осознать опасности, которыми чреваты неудачные управленческие воздействия или неблагоприятное развитие событий. Высказывается мнение, что необходимость в предвидении наиболее вероятного развития ситуации впервые возникла с возникновением промышленного производства, поскольку при сезонно повторяющемся сельскохозяйственном производстве в этом не было никакой необходимости. Полностью согласиться с такой точкой зрения трудно, поскольку испокон веков человечество воевало, время от времени вело грандиозное строительство. И без представления возможного развития ситуации такие, целенаправленные действия вряд ли были бы возможны. В то же время прототипы метода сценариев нередко мы находим в разные времена в разных странах. Так Кутузов собравший военный совет в Филях, и прослушавший различные варианты возможных действий, оценивал различные сценарии развития войны с французами, предлагавшиеся военноначальниками. Он сопоставлял их сильные и слабые стороны и пришел к тяжелому, но, пожалуй, единственно верному решению оставить Москву, обрекая ее на пожары и разрушения. Однако последующее развитие событий подтвердило его правоту. Предпочтенный им сценарий развития событий полностью себя оправдал. Государственный деятель, занимающий ответственный пост, и бизнесмен, принимающий важное для судьбы проекта решение, финансист, анализирующий фондовый рынок, хирург накануне сложной нетрадиционной операции, конструктор, закладывающий основы принципиально нового объекта при принятии важных решений, как правило, пытаются предугадать возможный сценарий развития событий с тем, чтобы принять решение, обеспечивающее успех. Считается, что первым сценарии для прогнозирования развития сложных систем использовал Герман Кан. Первые из разработанных сценариев носили преимущественно описательный характер. Впоследствии метод сценариев был в значительной степени развит за счет использования более точных качественно-количественных моделей. Метод сценариев предполагает создание технологий разработки сценариев, обеспечивающих более высокую вероятность выработки эффективного решения в тех ситуациях, когда это возможно, и более высокую вероятность сведения ожидаемых потерь к минимуму в тех ситуациях, когда потери неизбежны. В настоящее время известны различные реализации метода сценариев такие, как: ? получение согласованного мнения, ? повторяющаяся процедура независимых сценариев, ? использование матриц взаимодействия и др. Метод получения согласованного мнения является, по существу, одной из реализаций метода Делфи, ориентированной на получение коллективного мнения различных групп экспертов относительно крупных событий в той или иной области в заданный период будущего. К недостаткам этого метода можно отнести недостаточное внимание, уделяемое взаимозависимости и взаимодействию различных факторов, влияющих на развитие событий, динамике развития ситуации. Метод повторяющегося объединения независимых сценариев состоит в составлении независимых сценариев по каждому из аспектов, оказывающих существенное влияние на развитие ситуации, и повторяющемся итеративном процессе согласования сценариев развития различных аспектов ситуации. Достоинством этого метода является более углубленный анализ взаимодействия различных аспектов развития ситуации. К его недостаткам можно отнести недостаточную разработанность и методическую обеспеченность процедур согласования сценариев. Метод матриц взаимовлияний, разработанный Гордоном и Хелмером, предполагает определение на основании экспертных оценок потенциального взаимовлияния событий рассматриваемой совокупности. Оценки, связывающие все возможные комбинации событий по их силе, распределению во времени и т.д., позволяют уточнить первоначальные оценки вероятностей событий и их комбинаций. К недостаткам метода можно отнести трудоемкость получения большого количества оценок и корректной их обработки. В работе предлагается методология составления сценариев, предполагающая предварительное определение пространства, параметров, характеризующих систему. Состояние системы в момент времени t является точкой S(t) в этом пространстве параметров. Определение возможных тенденций развития ситуации позволяет определить вероятное направление эволюции положения системы в пространстве выявленных параметров S(t) в различные моменты времени в будущем S(t+l), S(t+2) и т.д. Если управляющие воздействия отсутствуют, то предполагается, что система будет эволюционировать в наиболее вероятном направлении. Управляющие воздействия эквивалентны воздействию сил, способных изменить направление траектории S(t). Естественно, что управляющие воздействия должны рассматриваться как с учетом ограничений накладываемых как внешними, так и внутренними факторами. Предлагаемая технология разработки сценариев предполагает рассмотрение положения системы в дискретные моменты времени t, t+1, t+2, ... . При этом предполагается, что точка, соответствующая системе S(t) в пространстве параметров расположенным в конусе, расширяющемся при удалении от исходного момента времени t. В некоторый момент времени t+T ожидается, что система будет расположена в сечении конуса, соответствующем моменту времени t+T. Все точки этого сечения могут считаться вероятным расположением системы в пространстве параметров. Естественно, что наиболее вероятным считается положение системы на центральной оси конуса. Управляющие воздействия приводят к смещению положения системы в пространстве параметров. В этом случае также целесообразно рассматривать лишь дискретные точки, наибольшее внимание, уделяя при этом наиболее вероятным точкам. При таком анализе необходимо предвидеть возможность возникновения дополнительных внутренних напряжении между элементами системы, поскольку они также могут изменять положение системы в пространстве параметров. Для оценки напряжений могут быть использованы соответствующие индикаторы, в частности, экономического или социального характера, а также пороговые значения индикаторов, при превышении которых положение системы может значительно измениться. Управляющие воздействия в ряде случаев могут быть направлены на предотвращение превышения пороговых значений индикаторов, если нашей целью является сохранение стабильности. В некоторых случаях можно целенаправленно стремиться к превышению пороговых значений индикаторов, если это соответствует поставленным перед системой задачам. Одним из наиболее важных результатов использования этой разновидности метода сценариев, как впрочем, и других его разновидностей, является лучшее понимание анализируемой ситуации и основных закономерностей и особенностей ее развития. Заслуживает внимания разновидность метода сценариев, предложенная Абтом, Фостером и Ри. Авторы подчеркивают, что их метод разработки сценариев относится скорее к анализу возможного, а не к вероятного будущего. Действительно, полученное в процессе разработки прогноза более глубокое понимание ситуации предполагает в качестве следующего шага выработку системы воздействий, которая может изменить рассмотренные сценарии развития ситуации. И вероятное будущее может оказаться скорректированным. Разработанный авторами метод предусматривает отбор только тех переменных, которые имеют непосредственное отношение к развитию анализируемой системы, будь то система контроля за окружающей средой или система управления технологическим процессом в действующем производстве и т.д. Далее предполагается разработка достаточно детальных сценариев для выявления опасностей, угрожающих системе, и необходимого противодействия им. Предусматривается отбор среди множества возможных сценариев наиболее пригодных для последующего анализа, а также процедуры использования компьютеров для разработки неискаженных сценарных прогнозов. Рассмотрим перечисленные процедуры более детально. Прежде, чем приступить к разработке сценария, предполагается провести анализ ситуации с определением основных действующих сил, основных взаимоотношений между основными действующими в ней факторами, необходимую детализацию и структуризацию ситуации. Отбор переменных в этом методе предполагает использование экспертов.
Анализируются, с возможным использованием контент-анализа, прогнозы экспертов развития ситуации и выделяются переменные, являющиеся частью логических рассуждений экспертов, и их взаимосвязи. Основной задачей при этом является получение набора существенных переменных, достаточно полно определяющих развитие анализируемой ситуации. Следующим этапом является определение для каждой переменной соответствующей шкалы, в которой она могла бы быть измерена. Поскольку в реальных ситуациях, наряду с количественными переменными, используются и качественные, предполагается разработка для каждой переменной вербально числовой шкалы, содержащей как численные значения градаций, так и их содержательное описание. Содержательное описание позволяет расширить состав переменных, включая в него переменные, действительно отражающие характер анализируемой ситуации, хотя и не имеющие количественной природы. Количественные значения переменных позволяют более надежно определять возможные опасности. Если переменные непрерывны, то целесообразно выделение характерных их значений, для использования при анализе ситуации. В некоторых случаях информация о переменных может представляться в виде некоторого тезауруса, в котором отражается основная информация как количественная, так и описательная, позволяющая достаточно полно представить переменную. Неоправданное увеличение числа переменных затрудняет возможность анализа ситуации, в то же время излишнее их обобщение (агрегирование) также затрудняет проведение анализа. Основная задача сценария - дать ключ к пониманию проблемы. При анализе конкретной ситуации переменные ее характеризующие принимают соответствующие значения - те или иные градации вербально числовых шкал каждой из переменных. Определяются все значения парных взаимодействий между переменными, которые оказывают взаимное влияние при развитии данной ситуации. Такое взаимодействие между переменными, как правило, представляется в матричном виде. После разработки и представления сценария с помощью переменных и оценки их взаимодействия и внутренней согласованности возможен, с использованием вербально - числовых шкал, переход к представлению сценария в виде содержательного описания. Такая форма нередко оказывается более удобной при подготовке отчета о проделанной работе. Иногда целесообразно включение в состав сценария предыстории развития анализируемой ситуации. Отличительной особенностью излагаемого метода является многовариантность, т.е. рассмотрение нескольких альтернативных вариантов возможного развития ситуации с учетом базисных сценариев. Группируя сценарии в классы можно определить рациональную стратегию воздействия на ситуацию. Как правило, данные о нескольких возможных сценариях развития ситуации более информативны, чем один единственный сценарий и способствуют принятию более эффективных решений. Особенность этого метода состоит также в том, что, возможно, оценивать значения взаимодействия переменных лишь на границах области допустимых значений, а не по всей области, как это предполагается в методе, использующем матрицы взаимовлияний. Использование специальных программ для компьютеров, а так же датчиков случайных чисел с последующим отсечением невозможных ситуаций для генерирования альтернативных вариантов сценариев расширяет горизонт анализа возможных в будущем ситуаций. Разработанный широкий спектр возможных альтернативных вариантов развития ситуации позволяет более полно определить критические ситуации для принятия решений, а также определить возможные последствия предлагаемы; альтернативных вариантов решений с целью их сопоставления и выбора наиболее эффективного. Профессионально разработанный и периодически актуализируемый прогноз - неотъемлемая составляющая процесса выработки и принятия важных управленческих решений.
Заключение.
Из всего вышесказанного можно сделать вывод, что при современных условиях функционирования рыночной экономики, невозможно успешно управлять коммерческой фирмой, без эффективного прогнозирования её деятельности. От того, на сколько прогнозирование будет точным и своевременным, а также соответствовать поставленным проблемам, будут зависеть, в конечном счете, прибыли, получаемые предприятием.
Для того, чтобы эффект прогноза был максимально полезен, необходимо создание на средних и крупных предприятиях так называемых прогнозных отделов (для малых предприятий создание этих отделов будет нерентабельным). Но даже без таких отделов обойтись, без прогнозирования невозможно. В этом случае прогноз должен быть получен силами менеджеров и задействованными в этом процессе специалистами.
Что касается самих прогнозов, то они должны быть реалистичными, то есть их вероятность должна быть достаточно высока и соответствовать ресурсам предприятия.
Для улучшения качества прогноза необходимо улучшить качество информации, необходимой при его разработке. Эта информация, в первую очередь, должна обладать такими свойствами, как достоверность, полнота, своевременность и точность.
Так как прогнозирование является отдельной наукой, то целесообразно (по мере возможности) использование нескольких методов прогнозирования при решении какой-либо проблемы. Это повысит качество прогноза и позволит определить «подводные камни», которые могут быть незамечены при использовании только одного метода. Также необходимо соотносить полученный прогноз с прецедентами в решении данной проблемы, если такие имели место при похожих условиях функционирования аналогичной организации (конкурента). И при определенной корректировке, в соответствии с этим прецедентом, принимать решения.
